ML Kit AutoML Vision Edge মাইগ্রেশন গাইড

মনে রাখবেন: AutoML Vision Edge-এর ইমেজ লেবেলিং API আর ব্যবহার করা যাবে না। কাস্টম মডেল API (ছবিতে লেবেল লাগানো এবং অবজেক্ট শনাক্তকরণ ও ট্র্যাকিং) AutoML-এর মাধ্যমে প্রশিক্ষিত মডেলকে সাপোর্ট করে। এই মাইগ্রেশন গাইড থেকে আপনি জানতে পারবেন যে কীভাবে নতুন কাস্টম মডেল API ব্যবহার করার জন্য আগে থেকে থাকা AutoML Vision Edge ইমপ্লিমেন্টেশন মাইগ্রেট করতে হয়।

আপনি কাস্টম মডেল API-তে AutoML-এর মাধ্যমে ট্রেনিং দেওয়া ইমেজ ক্লাসিফিকেশন মডেল পাস করতে পারবেন। আপনি নিজের অ্যাপের মধ্যে মডেলটি বান্ডেল করা চালিয়ে যেতে পারেন অথবা কাস্টম মডেল হিসেবে Firebase Console-এ হোস্ট করতে পারেন। AutoML ইমেজ লেবেলিং API, ML Kit থেকে সরিয়ে দেওয়া হয়েছে, কারণ কাস্টম মডেল ইমেজ লেবেলিং API এটিকে সম্পূর্ণভাবে প্রতিস্থাপন করেছে।

API	কী পরিবর্তন হচ্ছে?
AutoML Vision Edge ইমেজ লেবেলিং API	এটি কাস্টম মডেল ইমেজ লেবেলিং API দ্বারা সম্পূর্ণভাবে প্রতিস্থাপিত হয়েছে। আগে থেকে থাকা AutoML Vision Edge ইমেজ লেবেলিং API সরিয়ে দেওয়া হয়েছে।

আপনি AutoML Vision Edge API ব্যবহার করলে, Android ও iOS-এর জন্য মাইগ্রেশন সংক্রান্ত নির্দেশাবলী অনুসরণ করুন।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

এই পরিবর্তন কেন করা হয়েছে?

এটি ML Kit API-কে আরও সহজ করে এবং আপনার অ্যাপে ML Kit ইন্টিগ্রেট করা আরও সহজ করে তোলে। এই পরিবর্তনের ফলে, আপনি কাস্টম মডেলের মতোই AutoML-এর মাধ্যমে ট্রেনিং দেওয়া মডেল ব্যবহার করতে পারবেন। এছাড়াও, এটি আপনাকে ইমেজ লেবেলিংয়ের পাশাপাশি অবজেক্ট শনাক্তকরণ ও ট্র্যাকিংয়ের জন্য AutoML-ট্রেন করা মডেল ব্যবহার করতে দেয়। ইমেজ লেবেলিংয়ের সুবিধা আমরা দিয়ে থাকি। এছাড়াও, কাস্টম মডেল API-এর মেটাডেটাতে এম্বেড করা লেবেল ম্যাপ সহ মডেল এবং আলাদা ম্যানিফেস্ট ও লেবেল ফাইল সহ মডেল, দুটিই কাজ করে।

নতুন SDK-তে মাইগ্রেট করলে আমি কী কী সুবিধা পাব?

• নতুন ফিচার: ছবি লেবেলিং ও অবজেক্ট শনাক্তকরণ ও ট্র্যাকিং, দু'টির জন্যই AutoML-এর মাধ্যমে ট্রেনিং দেওয়া মডেল ব্যবহার করার সুবিধা এবং মেটাডেটাতে এম্বেড করা লেবেল ম্যাপ সহ মডেল ব্যবহার করার সুবিধা।

Android-এর জন্য মাইগ্রেশন গাইড

ধাপ ১: Gradle ইমপোর্ট আপডেট করুন

নিচের সারণী অনুযায়ী আপনার মডিউলের (অ্যাপ-লেভেল) Gradle ফাইলে (সাধারণত app/build.gradle.kts) ML Kit Android লাইব্রেরির জন্য ডিপেন্ডেন্সি আপডেট করুন:

ফিচার	পুরনো আর্টিফ্যাক্ট	নতুন আর্টিফ্যাক্ট
রিমোট মডেল ডাউনলোড না করেই ইমেজ লেবেলিং AutoML	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
রিমোট মডেল ডাউনলোড করার সুবিধা সহ ইমেজ লেবেলিং AutoML	com.google.mlkit:image-labeling-automl:16.2.1 com.google.mlkit:linkfirebase:16.0.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5 কাস্টম মডেল হোস্ট ও ডাউনলোড করতে, আপনার মডেল Cloud Storage-এ সরিয়ে নিন এবং LocalModel ব্যবহার করে সেগুলি লোড করতে আপনার অ্যাপে ডাউনলোড লজিক যোগ করুন। আরও বিবরণের জন্য, [Firebase ML থেকে Cloud Storage মাইগ্রেশন গাইড][migrate-storage] দেখুন।

ধাপ ২: ক্লাসের নাম আপডেট করা

এই সারণীতে আপনার ক্লাস দেখা গেলে, নির্দেশিত পরিবর্তন করুন:

পুরনো ক্লাস	নতুন ক্লাস
com.google.mlkit.vision.label.automl.AutoMLImageLabelerLocalModel	com.google.mlkit.common.model.LocalModel
com.google.mlkit.vision.label.automl.AutoMLImageLabelerRemoteModel	com.google.mlkit.common.model.LocalModel আপনার অ্যাপে রিমোট হোস্টেড মডেল ডাউনলোড করার লজিক থাকতে হবে এবং LocalModel ব্যবহার করে সেগুলি ইনিশিয়ালাইজ করতে হবে।
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

মনে রাখবেন: আগে AutoMLImageLabelerOptions-এর সাথে, যদি confidenceThreshold সেট করা না থাকে, তাহলে 0.5 এর ডিফল্ট কনফিডেন্স থ্রেশহোল্ড ভ্যালু ব্যবহার করা হবে। এখন CustomImageLabelerOptions-এর সাথে, যদি confidenceThreshold সেট করা না থাকে, তাহলে এটি মডেল মেটাডেটাতে অন্তর্ভুক্ত কনফিডেন্স থ্রেশহোল্ড ভ্যালু ব্যবহার করবে, যদি উপলভ্য থাকে। সেটি না থাকলে, এর পরিবর্তে 0.0-এর ভ্যালু ব্যবহার করা হবে।

ধাপ ৩: পদ্ধতির নাম আপডেট করা

কোডে খুব সামান্য পরিবর্তন করা হয়েছে:

• LocalModel এখন মডেল পাথ (মডেলের মধ্যে লেবেল ম্যাপ সহ মেটাডেটা থাকলে) অথবা মডেল ম্যানিফেস্ট পাথ (ম্যানিফেস্ট, মডেল ও লেবেল আলাদা আলাদা ফাইলে থাকলে) দিয়ে ইনিশিয়ালাইজ করা যাবে।
• রিমোট হোস্টেড মডেল লোকাল স্টোরেজে ডাউনলোড করতে এবং LocalModel ব্যবহার করে সেগুলি লোড করতে আপনার অ্যাপে লজিক যোগ করুন।

এখানে পুরনো ও নতুন Kotlin পদ্ধতির কিছু উদাহরণ দেওয়া হল:

পুরনো

val localModel = AutoMLImageLabelerLocalModel.Builder()
    .setAssetFilePath("automl/manifest.json")
    // or .setAbsoluteFilePath(absolute path to manifest file)
    .build()

val optionsWithLocalModel = AutoMLImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

val remoteModel = AutoMLImageLabelerRemoteModel.Builder("automl_remote_model")
    .build()

val optionsWithRemoteModel = AutoMLImageLabelerOptions.Builder(remoteModel)
    .build()

নতুন

// Similar process for both local and remotely-hosted models (that have been downloaded)
val localModel = LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    // or .setAbsoluteManifestFilePath(absolute path to manifest file)
    .build()

val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

এখানে পুরনো ও নতুন Java পদ্ধতির কিছু উদাহরণ দেওয়া হল:

পুরনো

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("automl/manifest.json")
        // or .setAbsoluteFilePath(absolute path to manifest file)
        .build();
AutoMLImageLabelerOptions optionsWithLocalModel =
    new AutoMLImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();
AutoMLImageLabelerRemoteModel remoteModel =
    new AutoMLImageLabelerRemoteModel.Builder("automl_remote_model").build();
AutoMLImageLabelerOptions optionsWithRemoteModel =
    new AutoMLImageLabelerOptions.Builder(remoteModel)
        .build();

নতুন

// Similar process for local models and remotely-hosted models (that have been downloaded)
LocalModel localModel =
    new LocalModel.Builder()
        .setAssetManifestFilePath("automl/manifest.json")
        // or .setAbsoluteManifestFilePath(absolute path to manifest file)
        .build();
CustomImageLabelerOptions optionsWithLocalModel =
    new CustomImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();

iOS-এর জন্য মাইগ্রেশন গাইড

পূর্বশর্ত

• Xcode 13.2.1 বা তার পরের যেকোনও ভার্সন প্রয়োজন।

ধাপ ১: Cocoapods আপডেট করা

আপনার অ্যাপের Podfile-এ ML Kit iOS cocoapods-এর জন্য ডিপেন্ডেন্সি আপডেট করুন:

ফিচার	পুরনো পডের নাম	নতুন পডের নাম
রিমোট মডেল ডাউনলোড না করেই AutoML-এর মাধ্যমে ছবি লেবেল করা	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
রিমোট মডেল ডাউনলোড করার সুবিধা সহ ইমেজ লেবেলিং AutoML	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom কাস্টম মডেল হোস্ট ও ডাউনলোড করতে, আপনার মডেল Cloud Storage-এ সরিয়ে নিন এবং সেগুলিকে লোকাল মডেল হিসেবে লোড করতে আপনার অ্যাপে ডাউনলোড লজিক যোগ করুন। বিস্তারিত জানতে, [Firebase ML থেকে Cloud Storage মাইগ্রেশন গাইড][migrate-storage] দেখুন।

ধাপ ২: ক্লাসের নাম আপডেট করা

এই সারণীতে আপনার ক্লাস দেখা গেলে, নির্দেশিত পরিবর্তন করুন:

Swift

পুরনো ক্লাস	নতুন ক্লাস
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	LocalModel কাস্টম মডেল হোস্ট ও ডাউনলোড করতে, আপনার মডেল Cloud Storage-এ সরিয়ে নিন এবং সেগুলিকে স্থানীয় মডেল হিসেবে লোড করতে আপনার অ্যাপে ডাউনলোড লজিক যোগ করুন। বিস্তারিত জানতে, [Firebase ML থেকে Cloud Storage মাইগ্রেশন গাইড][migrate-storage] দেখুন।
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

পুরনো ক্লাস	নতুন ক্লাস
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKLocalModel কাস্টম মডেল হোস্ট ও ডাউনলোড করতে, আপনার মডেল Cloud Storage-এ সরান এবং সেগুলিকে লোকাল মডেল হিসেবে লোড করার জন্য আপনার অ্যাপে ডাউনলোড লজিক যোগ করুন। বিস্তারিত জানতে, [Firebase ML থেকে Cloud Storage মাইগ্রেশন গাইড][migrate-storage] দেখুন।
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

মনে রাখবেন: আগে AutoMLImageLabelerOptions-এর ক্ষেত্রে, confidenceThreshold সেট করা না থাকলে, 0.5-এর ডিফল্ট কনফিডেন্স থ্রেশহোল্ড ভ্যালু ব্যবহার করা হবে। এখন, CustomImageLabelerOptions-এর সাথে, confidenceThreshold সেট করা না থাকলে, এটি মডেল মেটাডেটাতে অন্তর্ভুক্ত কনফিডেন্স থ্রেশহোল্ড ভ্যালু ব্যবহার করবে, যদি উপলভ্য থাকে। সেটি না থাকলে, 0.0 ভ্যালু ব্যবহার করা হবে পরিবর্তে।

ধাপ ৩: পদ্ধতির নাম আপডেট করা

কোডে খুব সামান্য পরিবর্তন করা হয়েছে:

• LocalModel এখন মডেল পাথ (মডেলের মধ্যে লেবেল ম্যাপ সহ মেটাডেটা থাকলে) অথবা মডেল ম্যানিফেস্ট পাথ (ম্যানিফেস্ট, মডেল ও লেবেল আলাদা আলাদা ফাইলে থাকলে) দিয়ে ইনিশিয়ালাইজ করা যাবে।
• আপনার অ্যাপে লজিক যোগ করুন যাতে রিমোটলি-হোস্ট করা মডেল লোকাল স্টোরেজে ডাউনলোড করা যায় এবং LocalModel ব্যবহার করে সেগুলি লোড করা যায়।

পুরনো ও নতুন Swift পদ্ধতির কিছু উদাহরণ এখানে দেওয়া হল:

পুরনো

let localModel =
    AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json")
let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel)
let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model")
let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)

নতুন

// Similar process for local models and remotely-hosted models (that have been downloaded)
guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return }
let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel)

এখানে পুরনো ও নতুন Objective-C পদ্ধতির কিছু উদাহরণ দেওয়া হল:

পুরনো

MLKAutoMLImageLabelerLocalModel *localModel =
    [[MLKAutoMLImageLabelerLocalModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithLocalModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithLocalModel:localModel];
MLKAutoMLImageLabelerRemoteModel *remoteModel =
    [[MLKAutoMLImageLabelerRemoteModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithRemoteModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithRemoteModel:remoteModel];

নতুন

// Similar process for local models and remotely-hosted models (that have been downloaded)
MLKLocalModel *localModel =
    [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"];
MLKCustomImageLabelerOptions *optionsWithLocalModel =
    [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel];