Capacités clés

Héberger et déployer des modèles personnalisés

Utilisez vos propres modèles TensorFlow Lite pour l'inférence sur l'appareil. Il vous suffit de déployer votre modèle sur Firebase. Nous nous chargeons de l'héberger et de le diffuser dans votre application. Firebase diffusera dynamiquement la dernière version du modèle à vos utilisateurs, ce qui vous permettra de les mettre à jour régulièrement sans avoir à leur proposer une nouvelle version de votre application. Lorsque vous utilisez Firebase ML avec Remote Config, vous pouvez diffuser différents modèles auprès de différents segments d'utilisateurs. Avec A/B Testing, vous pouvez effectuer des tests pour trouver le modèle le plus performant (consultez les guides Apple et Android).

Prêt pour la production pour les cas d'utilisation courants

Firebase ML est fourni avec un ensemble d'API prêtes à l'emploi pour les cas d'utilisation mobiles courants : reconnaissance de texte, étiquetage d'images et identification de points de repère. Il vous suffit de transmettre des données à la bibliothèque Firebase ML pour obtenir les informations dont vous avez besoin. Ces API exploitent la puissance de la technologie de machine learning de Google Cloud pour vous offrir le plus haut niveau de précision.

Cloud ou sur l'appareil

Firebase ML dispose d'API qui fonctionnent dans le cloud ou sur l'appareil. Lorsque nous décrivons une API de ML comme étant une API cloud ou une API sur l'appareil, nous décrivons quelle machine effectue l'inférence, c'est-à-dire quelle machine utilise le modèle de ML pour découvrir des insights sur les données que vous lui fournissez. Dans Firebase ML, cela se produit sur Google Cloud ou sur les appareils mobiles de vos utilisateurs.

Les API de reconnaissance de texte, d'étiquetage d'images et de reconnaissance de points de repère effectuent l'inférence dans le cloud. Ces modèles disposent de plus de puissance de calcul et de mémoire qu'un modèle intégré comparable. Ils peuvent donc effectuer des inférences avec une précision supérieure à celle d'un modèle intégré. En revanche, chaque requête envoyée à ces API nécessite un aller-retour réseau, ce qui les rend inadaptées aux applications en temps réel et à faible latence telles que le traitement vidéo.

Les API de modèles personnalisés traitent des modèles de ML qui s'exécutent sur l'appareil. Les modèles utilisés et produits par ces fonctionnalités sont des modèles TensorFlow Lite, qui sont optimisés pour s'exécuter sur des appareils mobiles. Le principal avantage de ces modèles est qu'ils ne nécessitent pas de connexion réseau et peuvent s'exécuter très rapidement, par exemple pour traiter des images vidéo en temps réel.

Firebase ML vous permet de déployer des modèles personnalisés sur les appareils de vos utilisateurs en les important sur nos serveurs. Votre application compatible avec Firebase téléchargera le modèle sur l'appareil à la demande. Cela vous permet de maintenir une petite taille d'installation initiale pour votre application et d'échanger le modèle de ML sans avoir à republier votre application.

ML Kit : modèles prêts à l'emploi sur l'appareil

Si vous recherchez des modèles pré-entraînés qui s'exécutent sur l'appareil, consultez ML Kit. ML Kit est disponible pour iOS et Android, et propose des API pour de nombreux cas d'utilisation :

• Reconnaissance optique de caractères
• Ajout de libellés à des images
• Détectez les objets et assurez leur suivi.
• Détection de visages et tracé de contours
• Lecture de codes-barres
• Identification de la langue
• Traduction
• Réponse intelligente

Étapes suivantes

• Explorez les API prêtes à l'emploi : reconnaissance de texte, attribution de libellés aux images et reconnaissance de points de repère.
• Découvrez comment utiliser des modèles personnalisés optimisés pour les mobiles dans votre application.