Guia de migração do AutoML Vision Edge do Kit de ML

Observação: a API de rotulagem de imagens do AutoML Vision Edge foi descontinuada. As APIs de modelo personalizado (rotulagem de imagens e detecção de objeto e rastreamento) oferecem suporte a modelos treinados pelo AutoML. Este guia de migração explica como migrar uma implementação do AutoML Vision Edge para usar a nova API de modelo personalizado.

É possível transmitir um modelo de classificação de imagens treinado pelo AutoML para as APIs de modelo personalizado. Você pode continuar agrupando o modelo no app ou hospedá-lo no Console do Firebase como um modelo personalizado. A API de rotulagem de imagens do AutoML foi removida do Kit de ML porque foi totalmente substituída pela API de rotulagem de imagens de modelo personalizado.

API	O que vai mudar?
API de rotulagem de imagens do AutoML Vision Edge	Ela foi totalmente substituída pela API de rotulagem de imagens de modelo personalizado. A API de rotulagem de imagens do AutoML Vision Edge existente foi removida.

Se você usa a API AutoML Vision Edge, siga as instruções de migração para Android e iOS.

Perguntas frequentes

Por que essa mudança?

Ela ajuda a simplificar as APIs do Kit de ML e facilita a integração do Kit de ML ao seu app. Com essa mudança, você pode usar um modelo treinado pelo AutoML da mesma forma que um modelo personalizado. Ela também permite usar modelos treinados pelo AutoML para detecção e rastreamento de objetos, além da rotulagem de imagens, que já oferecemos suporte. Além disso, a API de modelo personalizado oferece suporte a modelos com mapa de rótulos incorporado nos metadados e modelos com arquivos de manifesto e rótulos separados.

Quais são os benefícios da migração para o novo SDK?

• Novos recursos: capacidade de usar modelos treinados pelo AutoML para rotulagem de imagens e detecção e rastreamento de objetos, além de usar modelos com mapa de rótulos incorporado nos metadados.

Guia de migração para Android

Etapa 1: atualizar as importações do Gradle

Atualize as dependências das bibliotecas do Android do Kit de ML no arquivo Gradle do módulo (nível do app), geralmente app/build.gradle.kts, de acordo com a tabela a seguir:

Recurso	Artefatos antigos	Novo artefato
Rotulagem de imagens do AutoML sem download de modelo remoto	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
Rotulagem de imagens do AutoML com download de modelo remoto	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 Para hospedar e fazer o download de modelos personalizados, mova seus modelos para o Cloud Storage e adicione a lógica de download no app para carregá-los usando LocalModel. Para detalhes, consulte o [guia de migração do Firebase ML para o Cloud Storage][migrate-storage].

Etapa 2: atualizar os nomes das classes

Se a classe aparecer nesta tabela, faça a mudança indicada:

Classe antiga	Nova classe
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 Seu app precisa incluir lógica para fazer o download de modelos hospedados remotamente e inicializá-los usando LocalModel.
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

Observação: anteriormente, com AutoMLImageLabelerOptions, se o confidenceThreshold não estivesse definido, um valor de limite de confiança padrão de 0.5 seria usado. Agora, com CustomImageLabelerOptions, se o confidenceThreshold não estiver definido, ele vai usar o valor de limite de confiança incluído nos metadados do modelo, se disponível. Se isso não existir, um valor de 0.0 será usado.

Etapa 3: atualizar os nomes dos métodos

Há mudanças mínimas no código:

• O LocalModel agora pode ser inicializado com um caminho de modelo (se o modelo tiver metadados que contenham o mapa de rótulos) ou um caminho de manifesto de modelo (se o manifesto, o modelo e os rótulos estiverem em arquivos separados).
• Adicione lógica ao app para fazer o download de modelos hospedados remotamente para o armazenamento local e carregá-los usando LocalModel.

Confira alguns exemplos de métodos Kotlin antigos e novos:

Antigo

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()

Novo

// 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()

Confira alguns exemplos de métodos Java antigos e novos:

Antigo

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();

Novo

// 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();

Guia de migração para iOS

Pré-requisitos

• É necessário o Xcode 13.2.1 ou mais recente.

Etapa 1: atualizar o Cocoapods

Atualize as dependências dos cocoapods do Kit de ML para iOS no Podfile do app:

Recurso	Nomes de pods antigos	Novos nomes de pods
Rotulagem de imagens do AutoML sem download de modelo remoto	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
Rotulagem de imagens do AutoML com download de modelo remoto	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom Para hospedar e fazer o download de modelos personalizados, mova seus modelos para o Cloud Storage e adicione a lógica de download no app para carregá-los como modelos locais. Para mais detalhes, consulte o [guia de migração do Firebase ML para o Cloud Storage][migrate-storage].

Etapa 2: atualizar os nomes das classes

Se a classe aparecer nesta tabela, faça a mudança indicada:

Swift

Classe antiga	Nova classe
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	LocalModel Para hospedar e fazer o download de modelos personalizados, mova seus modelos para o Cloud Storage e adicione a lógica de download no app para carregá-los como modelos locais. Para mais detalhes, consulte o [guia de migração do Firebase ML para o Cloud Storage][migrate-storage].
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Classe antiga	Nova classe
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKLocalModel Para hospedar e fazer o download de modelos personalizados, mova seus modelos para o Cloud Storage e adicione a lógica de download no app para carregá-los como modelos locais. Para mais detalhes, consulte o [guia de migração do Firebase ML para o Cloud Storage][migrate-storage].
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Observação: anteriormente, com AutoMLImageLabelerOptions, se o confidenceThreshold não estivesse definido, um valor de limite de confiança padrão de 0.5seria usado. Agora, com CustomImageLabelerOptions, se o confidenceThreshold não estiver definido, ele vai usar o valor de limite de confiança incluído nos metadados do modelo, se disponível. Se isso não existir, um valor de 0.0 será usado.

Etapa 3: atualizar os nomes dos métodos

Há mudanças mínimas no código:

• O LocalModel agora pode ser inicializado com um caminho de modelo (se o modelo tiver metadados que contenham o mapa de rótulos) ou um caminho de manifesto de modelo (se o manifesto, o modelo e os rótulos estiverem em arquivos separados).
• Adicione lógica ao app para fazer o download de modelos hospedados remotamente para o armazenamento local e carregá-los usando LocalModel.

Confira alguns exemplos de métodos Swift antigos e novos:

Antigo

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

Novo

// 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)

Confira alguns exemplos de métodos Objective-C antigos e novos:

Antigo

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];

Novo

// 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];