Vous pouvez transmettre un modèle de classification d'images entraîné par AutoML aux API de modèle personnalisé. Vous pouvez continuer à regrouper le modèle dans votre application ou à l'héberger dans la console Firebase en tant que modèle personnalisé. L'API d'étiquetage d'images AutoML a été supprimée de ML Kit, car elle a été entièrement remplacée par l'API d'étiquetage d'images de modèle personnalisé.
API | Qu'est-ce qui change ? |
---|---|
API d'étiquetage d'images AutoML Vision Edge | Il est entièrement remplacé par l'API d'étiquetage d'images de modèle personnalisé. L'API d'étiquetage d'images AutoML Vision Edge existante est supprimée. |
Si vous utilisez actuellement ML Kit avec l'API AutoML Vision Edge, veuillez suivre les instructions de migration pour Android et iOS.
Questions fréquentes
Pourquoi ce changement ?
Cela permet de simplifier les API ML Kit et de faciliter l'intégration de ML Kit à votre application. Avec cette modification, vous pouvez utiliser un modèle entraîné par AutoML de la même manière qu'un modèle personnalisé. Elle vous permet également d'utiliser des modèles entraînés par AutoML pour la détection et le suivi d'objets, en plus de l'étiquetage d'images que nous acceptons actuellement. De plus, l'API du modèle personnalisé est compatible à la fois avec les modèles dont les métadonnées comportent un mappage de libellés, et avec des fichiers manifestes et des fichiers d'étiquettes distincts.
Quels sont les avantages de la migration vers le nouveau SDK ?
- Nouvelles fonctionnalités: possibilité d'utiliser des modèles entraînés par AutoML pour l'étiquetage d'images et la détection et le suivi d'objets, et possibilité d'utiliser des modèles avec un mappage de libellés intégré dans ses métadonnées.
Guide de migration pour Android
Étape 1: Mettre à jour les importations Gradle
Mettez à jour les dépendances des bibliothèques Android de ML Kit dans le fichier Gradle de votre module (au niveau de l'application) (généralement app/build.gradle
) en suivant le tableau suivant:
Sélection | Anciens artefacts | Nouvel artefact |
---|---|---|
Ajout d'étiquettes à des images AutoML sans téléchargement de modèle distant | com.google.mlkit:image-labeling-automl:16.2.1 | com.google.mlkit:image-labeling-custom:16.0.0-beta5 |
Ajout d'étiquettes à des images AutoML avec téléchargement de modèle à distance |
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 com.google.mlkit:linkfirebase:17.0.0 |
Étape 2: Modifiez les noms des classes
Si votre cours apparaît dans ce tableau, apportez la modification indiquée:
Ancien cours | Nouveau cours |
---|---|
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.CustomRemoteModel |
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions | com.google.mlkit.vision.label.custom.CustomImageLabelerOptions |
Étape 3: Modifiez les noms des méthodes
Les modifications de code sont minimes:
LocalModel
peut désormais être initialisé avec un chemin d'accès au fichier de modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).- Vous pouvez héberger un modèle personnalisé à distance via la console Firebase et initialiser un
CustomRemoteModel
avec unFirebaseModelSource
.
Voici quelques exemples de méthodes Kotlin anciennes et nouvelles:
Ancienne version
val localModel = AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute file 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()
Nouvelle version
val localModel = LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute file path to manifest file) .build() val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build() val firebaseModelSource = FirebaseModelSource.Builder("automl_remote_model") .build() val remoteModel = CustomRemoteModel.Builder(firebaseModelSource).build() val optionsWithRemoteModel = CustomImageLabelerOptions.Builder(remoteModel) .build()
Voici quelques exemples de méthodes Java anciennes et nouvelles:
Ancienne version
AutoMLImageLabelerLocalModel localModel = new AutoMLImageLabelerLocalModel.Builder() .setAssetFilePath("automl/manifest.json") // or .setAbsoluteFilePath(absolute file 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();
Nouvelle version
LocalModel localModel = new LocalModel.Builder() .setAssetManifestFilePath("automl/manifest.json") // or .setAbsoluteManifestFilePath(absolute file path to manifest file) .build() CustomImageLabelerOptions optionsWithLocalModel = new CustomImageLabelerOptions.Builder(localModel) .setConfidenceThreshold(0.5f) .build(); FirebaseModelSource firebaseModelSource = new FirebaseModelSource.Builder("automl_remote_model").build(); CustomRemoteModel remoteModel = new CustomRemoteModel.Builder(firebaseModelSource).build(); CustomImageLabelerOptions optionsWithRemoteModel = new CustomImageLabelerOptions.Builder(remoteModel).build();
Guide de migration pour iOS
Prérequis
- Veuillez utiliser Xcode 13.2.1 ou une version ultérieure.
Étape 1: Mettez à jour CocoaPods
Mettez à jour les dépendances pour les CocoaPods iOS ML Kit dans le Podfile de votre application:
Sélection | Ancien(s) nom(s) de pod | Noms des nouveaux pods |
---|---|---|
Ajout d'étiquettes à des images AutoML sans téléchargement de modèle distant | GoogleMLKit/ImageLabelingAutoML | GoogleMLKit/ImageLabelingCustom |
Ajout d'étiquettes à des images AutoML avec téléchargement de modèle à distance |
GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase |
GoogleMLKit/ImageLabelingCustom GoogleMLKit/LinkFirebase |
Étape 2: Modifiez les noms des classes
Si votre cours apparaît dans ce tableau, apportez la modification indiquée:
Swift
Ancien cours | Nouveau cours |
---|---|
AutoMLImageLabelerLocalModel | LocalModel |
AutoMLImageLabelerRemoteModel | CustomRemoteModel |
AutoMLImageLabelerOptions | CustomImageLabelerOptions |
Objective-C
Ancien cours | Nouveau cours |
---|---|
MLKAutoMLImageLabelerLocalModel | MLKLocalModel |
MLKAutoMLImageLabelerRemoteModel | MLKCustomRemoteModel |
MLKAutoMLImageLabelerOptions | MLKCustomImageLabelerOptions |
Objective-C
Étape 3: Modifiez les noms des méthodes
Les modifications de code sont minimes:
LocalModel
peut désormais être initialisé avec un chemin d'accès au fichier de modèle (si le modèle comporte des métadonnées contenant le mappage d'étiquettes) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les étiquettes se trouvent dans des fichiers distincts).- Vous pouvez héberger un modèle personnalisé à distance via la console Firebase et initialiser un
CustomRemoteModel
avec unFirebaseModelSource
.
Voici quelques exemples de méthodes Swift anciennes et nouvelles:
Ancienne version
let localModel = AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json") let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel) let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model") let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)
Nouvelle version
guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return } let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel) let firebaseModelSource = FirebaseModelSource(name: "automl_remote_model") let remoteModel = CustomRemoteModel(remoteModelSource: firebaseModelSource) let optionsWithRemoteModel = CustomImageLabelerOptions(remoteModel: remoteModel)
Voici quelques exemples de méthodes Objective-C nouvelles et anciennes:
Ancienne version
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];
Nouvelle version
MLKLocalModel *localModel = [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"]; MLKCustomImageLabelerOptions *optionsWithLocalModel = [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel]; MLKFirebaseModelSource *firebaseModelSource = [[MLKFirebaseModelSource alloc] initWithName:@"automl_remote_model"]; MLKCustomRemoteModel *remoteModel = [[MLKCustomRemoteModel alloc] initWithRemoteModelSource:firebaseModelSource]; MLKCustomImageLabelerOptions *optionsWithRemoteModel = [[MLKCustomImageLabelerOptions alloc] initWithRemoteModel:remoteModel];