Guida alla migrazione ad AutoML Vision Edge di ML Kit

Nota: l'API di etichettatura delle immagini AutoML Vision Edge è stata ritirata. Le API dei modelli personalizzati (etichettatura delle immagini e rilevamento e tracciamento degli oggetti) supportano i modelli addestrati da AutoML. Questa guida alla migrazione spiega come eseguire la migrazione di un'implementazione AutoML Vision Edge esistente per utilizzare la nuova API per i modelli personalizzati.

Puoi passare un modello di classificazione delle immagini addestrato con AutoML alle API dei modelli personalizzati. Puoi continuare a raggruppare il modello all'interno della tua app o ospitarlo nella console Firebase come modello personalizzato. L'API AutoML Image Labeling è stata rimossa da ML Kit, poiché è stata completamente sostituita dall'API Custom Model Image Labeling.

API	Che cosa cambierà?
API di etichettatura delle immagini AutoML Vision Edge	È completamente sostituita dall'API di etichettatura delle immagini del modello personalizzato. L'API AutoML Vision Edge esistente per l'etichettatura delle immagini è stata rimossa.

Se utilizzi l'API AutoML Vision Edge, segui le istruzioni di migrazione per Android e iOS.

Domande frequenti

Perché questa modifica?

In questo modo, le API ML Kit vengono semplificate e l'integrazione di ML Kit nella tua app diventa più facile. Con questa modifica, puoi utilizzare un modello addestrato con AutoML esattamente nello stesso modo di un modello personalizzato. Inoltre, ti consente di utilizzare i modelli addestrati con AutoML per il rilevamento di oggetti e il monitoraggio, oltre all'etichettatura delle immagini che supportiamo. Inoltre, l'API del modello personalizzato supporta sia i modelli con mappa delle etichette incorporata nei metadati sia i modelli con file manifest ed etichette separati.

Quali vantaggi offre la migrazione al nuovo SDK?

• Nuove funzionalità: possibilità di utilizzare modelli addestrati con AutoML sia per l'etichettatura delle immagini sia per il rilevamento e il tracciamento degli oggetti, nonché possibilità di utilizzare modelli con mappa delle etichette incorporata nei relativi metadati.

Guida alla migrazione per Android

Passaggio 1: aggiorna le importazioni di Gradle

Aggiorna le dipendenze per le librerie Android di ML Kit nel file Gradle del modulo (a livello di app, di solito app/build.gradle.kts) in base alla seguente tabella:

Funzionalità	Artefatti precedenti	Nuovo artefatto
Etichettatura delle immagini AutoML senza download del modello remoto	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
Etichettatura delle immagini AutoML con download del modello 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 Per ospitare e scaricare modelli personalizzati, spostali in Cloud Storage e aggiungi la logica di download nella tua app per caricarli utilizzando LocalModel. Per maggiori dettagli, consulta la [guida alla migrazione da Firebase ML a Cloud Storage][migrate-storage].

Passaggio 2: aggiorna i nomi dei corsi

Se la tua classe è presente in questa tabella, apporta la modifica indicata:

Classe precedente	Nuovo corso
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 La tua app deve includere la logica per scaricare i modelli ospitati da remoto e inizializzarli utilizzando LocalModel.
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

Nota: in precedenza con AutoMLImageLabelerOptions, se confidenceThreshold non è impostato, viene utilizzato un valore di soglia di confidenza predefinito pari a 0.5. Ora con CustomImageLabelerOptions, se confidenceThreshold non è impostato, verrà utilizzato il valore della soglia di confidenza incluso nei metadati del modello, se disponibile. Se non esiste, verrà utilizzato un valore di 0.0.

Passaggio 3: aggiorna i nomi dei metodi

Le modifiche al codice sono minime:

• LocalModel ora può essere inizializzato con un percorso del modello (se il modello contiene metadati con la mappa delle etichette) o con un percorso del manifest del modello (se il manifest, il modello e le etichette si trovano in file separati).
• Aggiungi la logica alla tua app per scaricare i modelli ospitati da remoto nello spazio di archiviazione locale e caricarli utilizzando LocalModel.

Ecco alcuni esempi di metodi Kotlin precedenti e nuovi:

Precedente

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()

Nuovo

// 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()

Ecco alcuni esempi di metodi Java vecchi e nuovi:

Precedente

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();

Nuovo

// 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();

Guida alla migrazione per iOS

Prerequisiti

• È richiesto Xcode 13.2.1 o versioni successive.

Passaggio 1: aggiorna CocoaPods

Aggiorna le dipendenze per i cocoapod iOS di ML Kit nel Podfile della tua app:

Funzionalità	Nomi dei pod precedenti	Nuovi nomi dei pod
Etichettatura delle immagini AutoML senza download del modello remoto	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
Etichettatura delle immagini AutoML con download del modello remoto	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom Per ospitare e scaricare modelli personalizzati, spostali in Cloud Storage e aggiungi la logica di download nella tua app per caricarli come modelli locali. Per maggiori dettagli, consulta la [guida alla migrazione da Firebase ML a Cloud Storage][migrate-storage].

Passaggio 2: aggiorna i nomi dei corsi

Se la tua classe è presente in questa tabella, apporta la modifica indicata:

Swift

Classe precedente	Nuovo corso
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	LocalModel Per ospitare e scaricare modelli personalizzati, sposta i modelli in Cloud Storage e aggiungi la logica di download nella tua app per caricarli come modelli locali. Per maggiori dettagli, consulta la [guida alla migrazione da Firebase ML a Cloud Storage][migrate-storage].
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Classe precedente	Nuovo corso
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKLocalModel Per ospitare e scaricare modelli personalizzati, spostali in Cloud Storage e aggiungi la logica di download nella tua app per caricarli come modelli locali. Per maggiori dettagli, consulta la [guida alla migrazione da Firebase ML a Cloud Storage][migrate-storage].
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Nota: in precedenza con AutoMLImageLabelerOptions, se confidenceThreshold non era impostato, veniva utilizzato un valore di soglia di confidenza predefinito pari a 0.5. Ora, con CustomImageLabelerOptions, se confidenceThreshold non è impostato, verrà utilizzato il valore della soglia di confidenza incluso nei metadati del modello, se disponibile. Se non esiste, verrà utilizzato un valore di 0.0.

Passaggio 3: aggiorna i nomi dei metodi

Le modifiche al codice sono minime:

• LocalModel ora può essere inizializzato con un percorso del modello (se il modello contiene metadati con la mappa delle etichette) o con un percorso del manifest del modello (se il manifest, il modello e le etichette si trovano in file separati).
• Aggiungi la logica alla tua app per scaricare i modelli ospitati da remoto nello spazio di archiviazione locale e caricarli utilizzando LocalModel.

Ecco alcuni esempi di metodi Swift precedenti e nuovi:

Precedente

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

Nuovo

// 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)

Ecco alcuni esempi di metodi Objective-C precedenti e nuovi:

Precedente

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];

Nuovo

// 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];