با مجموعهها، منظم بمانید ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
Firebase Machine Learning
plat_iosplat_androidplat_flutter
از یادگیری ماشین در برنامه های خود برای حل مشکلات دنیای واقعی استفاده کنید.
Firebase Machine Learning یک SDK تلفن همراه است که تخصص یادگیری ماشین Google را در یک بسته قدرتمند و در عین حال کاربردی آسان به برنامه‌های Android و Apple می‌آورد. چه در زمینه یادگیری ماشینی تازه کار یا با تجربه باشید، می توانید عملکرد مورد نیاز خود را تنها در چند خط کد پیاده سازی کنید. برای شروع نیازی به دانش عمیق شبکه های عصبی یا بهینه سازی مدل نیست. از سوی دیگر، اگر یک توسعه دهنده ML با تجربه هستید، Firebase ML API های مناسبی را ارائه می دهد که به شما کمک می کند از مدل های TensorFlow Lite سفارشی خود در برنامه های تلفن همراه خود استفاده کنید.
قابلیت های کلیدی
میزبانی و استقرار مدل های سفارشی
از مدل های TensorFlow Lite خود برای استنتاج روی دستگاه استفاده کنید. فقط مدل خود را در Firebase مستقر کنید، و ما از میزبانی و ارائه آن به برنامه شما مراقبت می کنیم. Firebase به صورت پویا آخرین نسخه مدل را در اختیار کاربران شما قرار می دهد و به شما این امکان را می دهد که به طور منظم آنها را به روز کنید بدون اینکه مجبور باشید نسخه جدیدی از برنامه خود را برای کاربران ارسال کنید.
وقتی از Firebase ML با Remote Config استفاده می‌کنید، می‌توانید مدل‌های مختلف را به بخش‌های مختلف کاربر ارائه دهید، و با A/B Testing ، می‌توانید آزمایش‌هایی را برای یافتن بهترین مدل اجرا کنید (راهنماهای Apple و Android را ببینید).
آماده تولید برای موارد استفاده رایج
Firebase ML دارای مجموعه ای از APIهای آماده برای استفاده برای موارد استفاده رایج از تلفن همراه است: تشخیص متن، برچسب گذاری تصاویر، و شناسایی نشانه ها. به سادگی داده ها را به کتابخانه Firebase ML منتقل کنید و اطلاعات مورد نیاز را در اختیار شما قرار دهد. این APIها از قدرت فناوری یادگیری ماشینی Google Cloud بهره می برند تا بالاترین سطح دقت را به شما ارائه دهند.
ابر در مقابل روی دستگاه
Firebase ML دارای APIهایی است که در فضای ابری یا روی دستگاه کار می کنند. وقتی یک API ML را به‌عنوان یک API ابری یا API روی دستگاه توصیف می‌کنیم، توضیح می‌دهیم که کدام ماشین استنتاج را انجام می‌دهد : یعنی کدام ماشین از مدل ML برای کشف بینش در مورد داده‌هایی که ارائه می‌دهید استفاده می‌کند. در Firebase ML ، این اتفاق در Google Cloud یا در دستگاه‌های تلفن همراه کاربران شما رخ می‌دهد.
APIهای تشخیص متن، برچسب‌گذاری تصویر و تشخیص نقطه عطف استنتاج را در فضای ابری انجام می‌دهند. این مدل ها قدرت محاسباتی و حافظه بیشتری نسبت به مدل های قابل مقایسه روی دستگاه دارند و در نتیجه می توانند استنتاج را با دقت و دقت بیشتری نسبت به مدل های روی دستگاه انجام دهند. از طرف دیگر، هر درخواستی برای این APIها نیاز به یک شبکه رفت و برگشت دارد که آنها را برای برنامه های بلادرنگ و با تاخیر کم مانند پردازش ویدئو نامناسب می کند.
APIهای مدل سفارشی با مدل‌های ML که روی دستگاه اجرا می‌شوند سروکار دارند. مدل های مورد استفاده و تولید شده توسط این ویژگی ها، مدل های TensorFlow Lite هستند که برای اجرا در دستگاه های تلفن همراه بهینه شده اند. بزرگ‌ترین مزیت این مدل‌ها این است که به اتصال شبکه نیاز ندارند و می‌توانند بسیار سریع اجرا شوند—مثلاً برای پردازش فریم‌های ویدیو در زمان واقعی به اندازه کافی سریع.
Firebase ML توانایی استقرار مدل های سفارشی را در دستگاه های کاربران شما با آپلود آنها در سرورهای ما فراهم می کند. برنامه فعال Firebase شما مدل را در صورت تقاضا در دستگاه دانلود می کند. این به شما امکان می دهد اندازه نصب اولیه برنامه خود را کوچک نگه دارید و می توانید مدل ML را بدون نیاز به انتشار مجدد برنامه خود تعویض کنید.
کیت ML: مدل‌های آماده برای استفاده روی دستگاه
اگر به دنبال مدل های از پیش آموزش دیده ای هستید که روی دستگاه اجرا می شوند، ML Kit را بررسی کنید. ML Kit برای iOS و Android در دسترس است و دارای API برای بسیاری از موارد است:
تاریخ آخرین بهروزرسانی 2025-08-22 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2025-08-22 بهوقت ساعت هماهنگ جهانی."],[],[],null,["Firebase Machine Learning \nplat_ios plat_android plat_flutter \nUse machine learning in your apps to solve real-world problems. \n\nFirebase Machine Learning is a mobile SDK that brings Google's machine\nlearning expertise to Android and Apple apps in a powerful yet easy-to-use\npackage. Whether you're new or experienced in machine learning, you can\nimplement the functionality you need in just a few lines of code. There's no\nneed to have deep knowledge of neural networks or model optimization to get\nstarted. On the other hand, if you are an experienced ML developer,\nFirebase ML provides convenient APIs that help you use your custom\nTensorFlow Lite models in your mobile apps.\n| This is a beta release of Firebase ML. This API might be changed in backward-incompatible ways and is not subject to any SLA or deprecation policy.\n\nKey capabilities\n\n|---------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| Host and deploy custom models | Use your own TensorFlow Lite models for on-device inference. Just deploy your model to Firebase, and we'll take care of hosting and serving it to your app. Firebase will dynamically serve the latest version of the model to your users, allowing you to regularly update them without having to push a new version of your app to users. When you use Firebase ML with [Remote Config](/docs/remote-config), you can serve different models to different user segments, and with [A/B Testing](/docs/ab-testing), you can run experiments to find the best performing model (see the [Apple](/docs/ml/ios/ab-test-models) and [Android](/docs/ml/android/ab-test-models) guides). |\n| Production-ready for common use cases | Firebase ML comes with a set of ready-to-use APIs for common mobile use cases: recognizing text, labeling images, and identifying landmarks. Simply pass in data to the Firebase ML library and it gives you the information you need. These APIs leverage the power of Google Cloud's machine learning technology to give you the highest level of accuracy. |\n\nCloud vs. on-device\n\nFirebase ML has APIs that work either in the cloud or on the device.\nWhen we describe an ML API as being a cloud API or on-device API, we are\ndescribing *which machine performs inference* : that is, which machine uses the\nML model to discover insights about the data you provide it. In Firebase ML,\nthis happens either on Google Cloud, or on your users' mobile devices.\n\nThe text recognition, image labeling, and landmark recognition APIs perform\ninference in the cloud. These models have more computational power and memory\navailable to them than a comparable on-device model, and as a result, can\nperform inference with greater accuracy and precision than an on-device model.\nOn the other hand, every request to these APIs requires a network round-trip,\nwhich makes them unsuitable for real-time and low-latency applications such as\nvideo processing.\n\nThe custom model APIs deal with ML models that run on the\ndevice. The models used and produced by these features are\n[TensorFlow Lite](https://tensorflow.org/lite) models, which are\noptimized to run on mobile devices. The biggest advantage to these models is\nthat they don't require a network connection and can run very quickly---fast\nenough, for example, to process frames of video in real time.\n\nFirebase ML provides\nthe ability to deploy custom models to your users' devices by\nuploading them to our servers. Your Firebase-enabled app will download the\nmodel to the device on demand. This allows you to keep your app's initial\ninstall size small, and you can swap the ML model without having to republish\nyour app.\n\nML Kit: Ready-to-use on-device models On June 3, 2020, we started offering ML Kit's on-device APIs through a\n| [new\n| standalone SDK](https://developers.google.com/ml-kit).\n| Google Cloud APIs and custom model deployment will\n| continue to be available through Firebase Machine Learning.\n\nIf you're looking for pre-trained models that run on the device, check out\n[ML Kit](https://developers.google.com/ml-kit). ML Kit is available\nfor iOS and Android, and has APIs for many use cases:\n\n- Text recognition\n- Image labeling\n- Object detection and tracking\n- Face detection and contour tracing\n- Barcode scanning\n- Language identification\n- Translation\n- Smart Reply\n\nNext steps\n\n- Explore the ready-to-use APIs: [text recognition](/docs/ml/recognize-text), [image labeling](/docs/ml/label-images), and [landmark recognition](/docs/ml/recognize-landmarks).\n- Learn about using mobile-optimized [custom models](/docs/ml/use-custom-models) in your app."]]
