ML Kit AutoML Vision Edge taşıma kılavuzu

Not: AutoML Vision Edge görüntü etiketleme API'si kullanımdan kaldırıldı. Özel model API'leri (görüntü etiketleme, nesne algılama ve izleme), AutoML tarafından eğitilmiş modelleri destekler. Bu taşıma kılavuzunda, mevcut bir AutoML Vision Edge uygulamasının yeni özel model API'sini kullanacak şekilde nasıl taşınacağı açıklanmaktadır.

AutoML ile eğitilmiş bir görüntü sınıflandırma modelini özel model API'lerine iletebilirsiniz. Modeli uygulamanızda paketlemeye veya Firebase Konsolu'nda özel bir model olarak barındırmaya devam edebilirsiniz. AutoML görüntü etiketleme API'si, Özel Model Görüntü Etiketleme API'si ile tamamen değiştirildiği için ML Kit'ten kaldırıldı.

API	Neler değişiyor?
AutoML Vision Edge görüntü etiketleme API'si	Bu API'nin yerini tamamen Custom Model Image Labeling API almıştır. Mevcut AutoML Vision Edge görüntü etiketleme API'si kaldırıldı.

AutoML Vision Edge API'yi kullanıyorsanız Android ve iOS için taşıma talimatlarını uygulayın.

Sık Sorulan Sorular

Bu değişiklik neden yapıldı?

Bu değişiklik, ML Kit API'lerini basitleştirmenize ve ML Kit'i uygulamanıza daha kolay entegre etmenize yardımcı olur. Bu değişiklikle birlikte, AutoML ile eğitilmiş bir modeli özel bir modelle aynı şekilde kullanabilirsiniz. Ayrıca, desteklediğimiz görüntü etiketlemenin yanı sıra nesne algılama ve izleme için AutoML ile eğitilmiş modelleri kullanmanıza da olanak tanır. Ayrıca, özel model API'si hem meta verilerine etiket haritası yerleştirilmiş modelleri hem de ayrı manifest ve etiket dosyaları olan modelleri destekler.

Yeni SDK'ya geçiş yapmanın avantajları nelerdir?

• Yeni özellikler: Hem Görüntü Etiketleme hem de Nesne Algılama ve İzleme için AutoML ile eğitilmiş modelleri kullanma ve meta verilerine yerleştirilmiş etiket haritası olan modelleri kullanma olanağı.

Android için Taşıma Rehberi

1. adım: Gradle içe aktarma işlemlerini güncelleyin

Modülünüzdeki (uygulama düzeyinde) Gradle dosyasında (genellikle app/build.gradle.kts) ML Kit Android kitaplıklarının bağımlılıklarını aşağıdaki tabloya göre güncelleyin:

Özellik	Eski çıktılar	Yeni Yapı
Uzak model indirmeden görüntü etiketleme için AutoML	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
Uzak model indirme ile görüntü etiketleme 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 Özel modelleri barındırmak ve indirmek için modellerinizi Cloud Storage'a taşıyın ve LocalModel kullanarak yüklemek için uygulamanıza indirme mantığı ekleyin. Ayrıntılı bilgi için [Firebase ML'den Cloud Storage'a taşıma rehberine][migrate-storage] bakın.

2. adım: Sınıf adlarını güncelleyin

Sınıfınız bu tabloda görünüyorsa belirtilen değişikliği yapın:

Eski sınıf	Yeni sınıf
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 Uygulamanız, uzaktan barındırılan modelleri indirmek ve bunları LocalModel kullanarak başlatmak için mantık içermelidir.
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

Not: Daha önce AutoMLImageLabelerOptions ile confidenceThreshold ayarlanmamışsa varsayılan güven eşiği değeri olarak 0.5 kullanılıyordu. CustomImageLabelerOptions ile birlikte, confidenceThreshold ayarlanmamışsa varsa model meta verilerinde yer alan güven eşiği değeri kullanılır. Bu değer yoksa bunun yerine 0.0 değeri kullanılır.

3. adım: Yöntem adlarını güncelleyin

Kodda çok az değişiklik yapılması gerekir:

• LocalModel artık bir model yoluyla (modelde etiket haritasını içeren meta veriler varsa) veya bir model manifest yoluyla (manifest, model ve etiketler ayrı dosyalardaysa) başlatılabilir.
• Uygulamanıza, uzaktan barındırılan modelleri yerel depolama alanına indirmek ve LocalModel kullanarak yüklemek için mantık ekleyin.

Eski ve yeni Kotlin yöntemlerine dair bazı örnekler:

Önceki

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()

Yeni

// 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()

Eski ve yeni Java yöntemlerine dair bazı örnekleri aşağıda bulabilirsiniz:

Önceki

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();

Yeni

// 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 için Taşıma Rehberi

Ön koşullar

• Xcode 13.2.1 veya sonraki bir sürüm gereklidir.

1. adım: Cocoapods'u güncelleyin

Uygulamanızın Podfile'ında ML Kit iOS cocoapods'larının bağımlılıklarını güncelleyin:

Özellik	Eski kapsül adları	Yeni pod adı
Uzak model indirmeden görüntü etiketleme için AutoML	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
Uzak model indirme ile görüntü etiketleme AutoML	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom Özel modelleri barındırmak ve indirmek için modellerinizi Cloud Storage'a taşıyın ve uygulamanıza, bunları yerel modeller olarak yüklemek için indirme mantığı ekleyin. Ayrıntılar için [Firebase ML'den Cloud Storage'a taşıma rehberine][migrate-storage] bakın.

2. adım: Sınıf adlarını güncelleyin

Sınıfınız bu tabloda görünüyorsa belirtilen değişikliği yapın:

Swift

Eski sınıf	Yeni sınıf
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	LocalModel Özel modelleri barındırmak ve indirmek için modellerinizi Cloud Storage'a taşıyın ve uygulamanıza, bunları yerel modeller olarak yüklemek için indirme mantığı ekleyin. Ayrıntılar için [Firebase ML'den Cloud Storage'a taşıma rehberine][migrate-storage] bakın.
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Eski sınıf	Yeni sınıf
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKLocalModel Özel modelleri barındırmak ve indirmek için modellerinizi Cloud Storage'a taşıyın ve uygulamanıza, bunları yerel modeller olarak yüklemek için indirme mantığı ekleyin. Ayrıntılar için [Firebase ML'den Cloud Storage'a taşıma kılavuzuna][migrate-storage] bakın.
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Not: Daha önce AutoMLImageLabelerOptions ile confidenceThreshold ayarlanmamışsa varsayılan güven eşiği değeri olarak 0.5kullanılıyordu. CustomImageLabelerOptions ile artık confidenceThreshold ayarlanmamışsa varsa model meta verilerinde yer alan güven eşiği değeri kullanılır. Bu değer yoksa bunun yerine 0.0 değeri kullanılır.

3. adım: Yöntem adlarını güncelleyin

Kodda çok az değişiklik yapılması gerekir:

• LocalModel artık bir model yoluyla (modelde etiket haritasını içeren meta veriler varsa) veya bir model manifest yoluyla (manifest, model ve etiketler ayrı dosyalardaysa) başlatılabilir.
• Uygulamanıza, uzaktan barındırılan modelleri yerel depolama alanına indirmek ve LocalModel kullanarak yüklemek için mantık ekleyin.

Eski ve yeni Swift yöntemlerine dair bazı örnekler:

Önceki

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

Yeni

// 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)

Eski ve yeni Objective-C yöntemlerine dair bazı örnekleri aşağıda bulabilirsiniz:

Önceki

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];

Yeni

// 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];