सामग्री

• गूगलची मशीन लर्निंग किट भेटा
• मी एमएल किट एपीआय कसे वापरू?
• मजकूर ओळख API सह, कोणत्याही प्रतिमेमधील मजकूर ओळखा
• प्रतिमेची सामग्री समजून घेणे: प्रतिमा लेबलिंग API
• अभिव्यक्ती आणि ट्रॅकिंग चेहरे समजून घेणे: चेहरा शोध API
• फायरबेस आणि एमएल सह बारकोड स्कॅन करीत आहे
• मेघमधील मशीन शिक्षण: लँडमार्क ओळख API
• भाषा ओळख API: आंतरराष्ट्रीय प्रेक्षकांसाठी विकसनशील
• लवकरच येत आहे: स्मार्ट उत्तर
• पुढे काय? एमएल किटसह टेन्सरफ्लो लाइट वापरणे
• लपेटणे

मशीन लर्निंग (एमएल) आपल्या मोबाइल वापरकर्त्यांसाठी नाविन्यपूर्ण, आकर्षक आणि अनोखा अनुभव तयार करण्यात आपली मदत करू शकते.

एकदा आपण एमएल वर प्रभुत्व मिळविल्यानंतर आपण त्याचा वापर आपल्या अ‍ॅप्स विषयावर आधारित असलेल्या फोटोंसह स्वयंचलितरित्या विस्तृत अनुप्रयोग तयार करण्यासाठी वापरू शकता, एखाद्या व्यक्तीचा चेहरा थेट प्रवाहावर ओळखा आणि मागोवा घेऊ शकता, प्रतिमेतून मजकूर काढू शकता आणि बरेच काही. .

परंतु एमएल नेमके नवशिक्यांसाठी अनुकूल नाही! आपण शक्तिशाली Android शिक्षण क्षमतांसह आपले Android अ‍ॅप्स वर्धित करू इच्छित असाल तर आपण नेमके कोठे प्रारंभ करता?

या लेखात मी एसडीके (सॉफ्टवेअर डेव्हलपमेंट किट) चे विहंगावलोकन प्रदान करेन जी आपल्याकडे असूनही एमएलची शक्ती आपल्या बोटांच्या टोकावर ठेवेल असे वचन देते शून्य एमएल अनुभव. या लेखाच्या शेवटी, आपल्याकडे बुद्धिमान, एमएल-शक्तीच्या अॅप्स तयार करण्यास प्रारंभ करण्याची आवश्यकता आहे जी आपल्यास प्रतिमा लेबलिंग करण्यास, बारकोड स्कॅन करण्यास, चेहरे आणि प्रसिद्ध चिन्हांना ओळखण्यास आणि इतर अनेक शक्तिशाली एमएल कार्ये करण्यास सक्षम आहेत.

गूगलची मशीन लर्निंग किट भेटा

टेन्सरफ्लो आणि क्लाउडव्हिजन सारख्या तंत्रज्ञानाच्या प्रकाशनासह, एमएल अधिक प्रमाणात वापरला जात आहे, परंतु ही तंत्रज्ञाना हृदयाच्या क्षीणपणासाठी नाहीत! आपल्याला फक्त प्राप्त करण्यासाठी, सामान्यत: तंत्रिका नेटवर्क आणि डेटा विश्लेषणाचे सखोल ज्ञान आवश्यक असेल सुरु केले टेन्सरफ्लो सारख्या तंत्रज्ञानासह.

जरी आपण करू एमएलचा थोडासा अनुभव घ्या, मशीन लर्निंग-समर्थित मोबाईल अ‍ॅप तयार करणे ही एक वेळखाऊ, जटिल आणि महाग प्रक्रिया असू शकते, आपणास आपल्या स्वत: च्या एमएल मॉडेल्सचे प्रशिक्षण घेण्यासाठी पुरेसा डेटा स्रोत आवश्यक आहे आणि नंतर त्या एमएल मॉडेल्सना कार्यक्षमतेने चालविण्यासाठी ऑप्टिमाइझ करणे आवश्यक आहे. मोबाइल वातावरण. आपण एक स्वतंत्र विकसक असल्यास किंवा आपल्याकडे मर्यादित संसाधने असल्यास आपल्या एमएल ज्ञानाचा अभ्यास करणे शक्य होणार नाही.

एमएल किट म्हणजे जनतेपर्यंत मशीन शिक्षणापर्यंत पोहोचवण्याचा Google चे प्रयत्न आहे.

प्रगततेनुसार, एमएल किट अनेक शक्तिशाली एमएल तंत्रज्ञान एकत्रितपणे एकत्रित करते ज्यास क्लाउड व्हिजन, टेन्सरफ्लो आणि अँड्रॉइड न्यूरल नेटवर्क्स एपीआय यासह विस्तृत एमएल ज्ञान आवश्यक असते. एमएल किट या विशेषज्ञ एमएल तंत्रज्ञानास सामान्य मोबाइल वापर प्रकरणात पूर्व-प्रशिक्षित मॉडेलसह एकत्र करते, ज्यात प्रतिमेतून मजकूर काढणे, बारकोड स्कॅन करणे आणि फोटोमधील सामग्री ओळखणे समाविष्ट आहे.

आपल्याकडे एमएलचे पूर्वीचे ज्ञान आहे की नाही याची पर्वा न करता, आपण आपल्या Android मध्ये शक्तिशाली मशीन शिक्षण क्षमता जोडण्यासाठी एमएल किट वापरू शकता. आणि iOS अ‍ॅप्स - मजकूर ओळख किंवा भाषा ओळख API यासारख्या एमएल किटच्या योग्य भागासाठी फक्त काही डेटा पास करा आणि हे एपीपी प्रतिसाद परत करण्यासाठी मशीन शिक्षण वापरेल.

मी एमएल किट एपीआय कसे वापरू?

एमएल किटला बर्‍याच एपीआयमध्ये विभागले गेले आहे जे फायरबेस प्लॅटफॉर्मचा भाग म्हणून वितरीत केले आहे. कोणतीही एमएल किट एपीआय वापरण्यासाठी आपल्याला आपल्या Android स्टुडिओ प्रकल्प आणि संबंधित फायरबेस प्रोजेक्ट दरम्यान कनेक्शन तयार करण्याची आणि नंतर फायरबेससह संप्रेषण करण्याची आवश्यकता असेल.

बहुतेक एमएल किट मॉडेल्स ऑन-डिव्हाइस मॉडेल म्हणून उपलब्ध आहेत जी आपण स्थानिकपणे डाउनलोड आणि वापरू शकता, परंतु काही मॉडेल्स क्लाऊडमध्ये देखील उपलब्ध आहेत, ज्यामुळे आपल्या अ‍ॅपला डिव्हाइसच्या इंटरनेट कनेक्शनवर एमएल-शक्तीची कार्ये करण्याची परवानगी मिळते.

प्रत्येक दृष्टिकोनात स्वतःची सामर्थ्य आणि कमकुवतता यांचे विशिष्ट वैशिष्ट्य आहे, म्हणून आपणास हे ठरविणे आवश्यक आहे की स्थानिक किंवा रिमोट प्रोसेसिंग आपल्या विशिष्ट अॅपसाठी सर्वात अर्थपूर्ण आहे की नाही. आपण दोन्ही मॉडेलसाठी समर्थन देखील जोडू शकता आणि नंतर आपल्या वापरकर्त्यांना रनटाइमवर कोणते मॉडेल वापरायचे हे ठरविण्याची परवानगी द्या. वैकल्पिकरित्या, सद्य परिस्थितीसाठी सर्वोत्कृष्ट मॉडेल निवडण्यासाठी आपण कदाचित आपला अ‍ॅप कॉन्फिगर करू शकता, उदाहरणार्थ डिव्हाइस केवळ वाय-फाय वर कनेक्ट केलेले असेल तेव्हा केवळ क्लाऊड-आधारित मॉडेल वापरणे.

आपण स्थानिक मॉडेलची निवड केल्यास वापरकर्त्याकडे सक्रिय इंटरनेट कनेक्शन आहे की नाही याची पर्वा न करता आपल्या अ‍ॅपची मशीन शिक्षण वैशिष्ट्ये नेहमी उपलब्ध असतील. सर्व कार्य स्थानिक पातळीवर केले जात असल्याने, जेव्हा आपल्या अ‍ॅपने मोठ्या प्रमाणात डेटावर द्रुतपणे प्रक्रिया करण्याची आवश्यकता असते तेव्हा डिव्हाइस मॉडेल आदर्श असतात, उदाहरणार्थ आपण थेट व्हिडिओ प्रवाहात कुशलतेने एमएल किट वापरत असल्यास.

दरम्यान, क्लाउड-मॉडेल सामान्यत: त्यांच्या डिव्हाइसवरील भागांपेक्षा अधिक अचूकता प्रदान करतात, कारण क्लाऊड मॉडेल्स Google मेघ प्लॅटफॉर्मच्या मशीन शिक्षण तंत्रज्ञानाची शक्ती वापरतात. उदाहरणार्थ, प्रतिमा लेबलिंग API च्या डिव्हाइसवरील मॉडेलमध्ये 400 लेबले समाविष्ट आहेत, परंतु मेघ मॉडेलमध्ये वैशिष्ट्ये आहेत 10,000 लेबल.

एपीआयच्या आधारावर, अशी काही कार्यक्षमता देखील असू शकते जी केवळ मेघमध्ये उपलब्ध आहे, उदाहरणार्थ मजकूर ओळख API केवळ आपण त्याचे क्लाउड-आधारित मॉडेल वापरल्यास केवळ लॅटिन-नसलेले वर्ण ओळखू शकते.

क्लाउड-आधारित एपीआय केवळ ब्लेझ-लेव्हल फायरबेस प्रकल्पांसाठी उपलब्ध आहेत, म्हणूनच आपण एमएल किटच्या कोणत्याही क्लाउड मॉडेलचा वापर करण्यापूर्वी आपल्याला पे-अ-गो-ब्लेझ योजनेमध्ये श्रेणीसुधारित करणे आवश्यक आहे.

आपण क्लाऊड मॉडेल्स एक्सप्लोर करण्याचे ठरविल्यास, लेखनाच्या वेळी, सर्व एमएल किट एपीआयसाठी एक विनामूल्य कोटा उपलब्ध होता. जर आपल्याला फक्त मेघ-आधारित प्रतिमा लेबलिंगचा प्रयोग करायचा असेल तर आपण आपला फायरबेस प्रकल्प ब्लेझ योजनेत श्रेणीसुधारित करू शकता, एपीआयच्या 1000 पेक्षा कमी प्रतिमांची चाचणी घेऊ शकता आणि नंतर शुल्क न आकारता विनामूल्य स्पार्क योजनेवर परत स्विच करू शकता. तथापि, अटी आणि शर्तींना काळानुसार बदलण्याची एक ओंगळ सवय आहे, म्हणून ब्लेझमध्ये श्रेणीसुधारित करण्यापूर्वी लहान प्रिंट वाचण्याची खात्री करा, फक्त कोणत्याही अनपेक्षित बिलेमुळे आपणास फटका बसणार नाही याची खात्री करुन घ्या.

मजकूर ओळख API सह, कोणत्याही प्रतिमेमधील मजकूर ओळखा

मजकूर ओळख API कुशलतेने मजकूरास ओळख, विश्लेषण आणि प्रक्रिया करू शकते.

प्रतिमेमधून मजकूर काढणारे अनुप्रयोग तयार करण्यासाठी आपण हे एपीआय वापरू शकता, जेणेकरून आपल्या वापरकर्त्यांना त्रासदायक मॅन्युअल डेटा एंट्रीमध्ये वेळ वाया घालवू नये. उदाहरणार्थ, आपण कदाचित प्रश्नातील वस्तूंचा फोटो घेऊन आपल्या वापरकर्त्यांना पावती, पावत्या, व्यवसाय कार्ड किंवा अगदी पौष्टिक लेबलांमधून माहिती काढण्यास आणि रेकॉर्ड करण्यात मदत करण्यासाठी मजकूर ओळख API वापरू शकता.

आपण भाषांतर अ‍ॅपमधील प्रथम चरण म्हणून मजकूर ओळख API देखील वापरू शकता, जेथे वापरकर्ता काही अपरिचित मजकूराचा फोटो घेतो आणि एपीआय भाषांतर सेवेकडे जाण्यासाठी तयार असलेल्या प्रतिमेमधून सर्व मजकूर काढतो.

एमएल किटचे डिव्हाइसवरील मजकूर ओळख API कोणत्याही लॅटिन-आधारित भाषेमधील मजकूर ओळखू शकतो, तर त्याचा क्लाउड-आधारित भाग चीनी, जपानी आणि कोरियन वर्णांसह मोठ्या संख्येने भाषा आणि वर्ण ओळखू शकतो. क्लाउड-आधारित मॉडेल प्रतिमांमधून विरळ मजकूर काढणे आणि दाट कागदोपत्री कागदपत्रांमधून मजकूर काढणे देखील अनुकूलित केले आहे, जे आपल्या अ‍ॅपमध्ये कोणते मॉडेल वापरायचे हे ठरविताना आपण विचारात घेतले पाहिजे.

या एपीआयचा काही अनुभव ऑनलाईन हवा आहे का? नंतर मजकूर ओळख API वापरून कोणत्याही प्रतिमेवरून मजकूर काढू शकणारा अनुप्रयोग तयार करण्यासाठी आमचे चरण-दर-चरण मार्गदर्शक पहा.

प्रतिमेची सामग्री समजून घेणे: प्रतिमा लेबलिंग API

प्रतिमा लेबलिंग API कोणत्याही अतिरिक्त संदर्भ मेटाडेटाची आवश्यकता न ठेवता स्थाने, लोक, उत्पादने आणि प्राणी यांच्यासह प्रतिमेमधील घटक ओळखू शकते. प्रतिमा लेबलिंग एपीआय लेबलांच्या स्वरूपात आढळलेल्या घटकांबद्दल माहिती परत करेल. उदाहरणार्थ खालील स्क्रीनशॉटमध्ये मी एपीआय एक निसर्ग फोटो प्रदान केला आहे आणि त्यास “फॉरेस्ट” आणि “नदी” सारख्या लेबलांनी प्रतिसाद दिला आहे.

प्रतिमेची सामग्री ओळखण्याची ही क्षमता आपल्याला अ‍ॅप्स तयार करण्यात मदत करू शकते जे त्यांच्या विषयांवर आधारित फोटो टॅग करतात; फिल्टर जे अयोग्यरित्या वापरकर्त्याने सबमिट केलेली सामग्री ओळखली आणि ती आपल्या अ‍ॅपवरून काढून टाकली; किंवा प्रगत शोध कार्यक्षमतेचा आधार म्हणून.

प्रतिमा लेबलिंग एपीआय सह - बर्‍याच एमएल किट एपीआय एकाधिक संभाव्य परिणामासह आत्मविश्वास स्कोअरसह पूर्ण करतात. आपण पुडलचा फोटो लेबलिंग पास केल्यास, त्यामध्ये "पोडल", "कुत्रा," "पाळीव प्राणी" आणि "लहान प्राणी" अशी लेबले परत येऊ शकतात, ज्या प्रत्येकाच्या लेबलवरील एपीआयचा विश्वास दर्शवितात. आशा आहे की या परिस्थितीत “पूडल” मध्ये सर्वाधिक आत्मविश्वास गुण असेल!

आपण आपला आत्मविश्वास स्कोर एक उंबरठा तयार करण्यासाठी वापरू शकता जो आपला अनुप्रयोग एखाद्या विशिष्ट लेबलवर कार्य करण्यापूर्वी उदा. वापरकर्त्यास प्रदर्शित करणे किंवा या लेबलसह फोटो टॅग करणे आवश्यक आहे.

ऑन-डिव्‍हाइस मॉडेलमध्ये समाविष्ट असलेल्या 400 लेबलच्या तुलनेत प्रतिमा लेबलिंग हे डिव्हाइस आणि क्लाऊडमध्ये दोन्ही उपलब्ध आहे, जर आपण मेघ मॉडेलची निवड केली तर आपल्याला 10,000 हून अधिक लेबलांमध्ये प्रवेश मिळेल.

प्रतिमा लेबलिंग एपीआयच्या अधिक सखोल दृश्यासाठी, मशीन शिक्षणांसह प्रतिमेची सामग्री निश्चित करा. या लेखात आम्ही एक अनुप्रयोग तयार करतो जो प्रतिमेवर प्रक्रिया करतो आणि नंतर त्या प्रतिमेमध्ये सापडलेल्या प्रत्येक घटकासाठी लेबले आणि आत्मविश्वास स्कोअर मिळवितो. आम्ही या अ‍ॅपमध्ये डिव्हाइस आणि क्लाऊड मॉडेल्सची अंमलबजावणी देखील करतो, जेणेकरून आपण कोणत्या मॉडेलची निवड केली यावर अवलंबून परिणाम कशा भिन्न असतात हे आपण नक्की पाहू शकता.

अभिव्यक्ती आणि ट्रॅकिंग चेहरे समजून घेणे: चेहरा शोध API

फेस डिटेक्शन एपीआय फोटो, व्हिडिओ आणि लाइव्ह स्ट्रिममध्ये मानवी चेहरे शोधू शकते आणि नंतर त्यास सापडलेल्या प्रत्येक चेह about्याबद्दलची माहिती, त्याचे स्थान, आकार आणि अभिमुखतेसह माहिती काढते.

वापरकर्त्यांना हे फोटो संपादित करण्यात मदत करण्यासाठी आपण हे एपीआय वापरू शकता, उदाहरणार्थ त्यांच्या नवीनतम हेडशॉटच्या आसपास सर्व रिक्त जागा स्वयंचलितपणे पीक करून.

फेस डिटेक्शन एपीआय केवळ प्रतिमांपुरती मर्यादित नाही - आपण व्हिडिओमध्ये देखील हे एपीआय लागू करू शकता, उदाहरणार्थ आपण एखादा अ‍ॅप तयार करू शकता जो व्हिडिओ फीडमधील सर्व चेहरे ओळखतो आणि नंतर सर्व काही अंधुक करतो वगळता ते चेहरे, स्काईपच्या पार्श्वभूमी डाग वैशिष्ट्यांसारखेच.

चेहरा शोधणे आहे नेहमी डिव्हाइसवर प्रदर्शन केले, जेथे रिअल-टाइममध्ये वापरणे पुरेसे वेगवान आहे, त्यामुळे बहुतेक एमएल किटच्या एपीआयच्या विपरीत, चेहरा शोधणे नाही मेघ मॉडेलचा समावेश करा.

चेहरे शोधण्याव्यतिरिक्त, या एपीआय मध्ये काही अतिरिक्त वैशिष्ट्ये आहेत जी एक्सप्लोर करण्यायोग्य आहेत. प्रथमतः, फेस डिटेक्शन एपीआय चेहर्‍याचे खुणे ओळखू शकते, जसे की डोळे, ओठ आणि कान आणि नंतर या प्रत्येक खुणासाठी अचूक समन्वय पुनर्प्राप्त करतात. हे महत्त्वाची ओळख आपल्‍याला प्रत्येक आढळलेल्या चेहर्‍याचा अचूक नकाशा प्रदान करते - वापरकर्त्याच्या कॅमेरा फीडमध्ये स्नॅपचॅट-शैलीचे मुखवटे आणि फिल्टर जोडणारे वर्धित वास्तविकता (एआर) अ‍ॅप्स तयार करण्यासाठी योग्य.

फेस डिटेक्शन एपीआय देखील फेशियल ऑफर करते वर्गीकरण. सध्या, एमएल किट दोन चेहर्यावरील वर्गीकरणांचे समर्थन करते: डोळे उघडे आणि हसत.

आपण हे वर्गीकरण प्रवेश करण्यायोग्य सेवांसाठी आधार म्हणून वापरू शकता जसे की हँड्सफ्री कंट्रोल्स किंवा प्लेअरच्या चेहर्यावरील अभिव्यक्तीला प्रतिसाद देणारे गेम तयार करण्यासाठी. जर एखादा कॅमेरा अ‍ॅप तयार करत असेल तर एखादी व्यक्ती हसत आहे की त्यांचे डोळे उघडलेले आहेत हे शोधण्याची क्षमता - परंतु काही वेळा, एखाद्याने त्यांचे डोळे बंद केले आहेत हे समजून घेण्यासाठी, पुष्कळसे फोटो काढण्यापेक्षा काहीच वाईट नाही. मध्ये प्रत्येक शॉट

अखेरीस, फेस डिटेक्शन एपीआयमध्ये फेस-ट्रॅकिंग घटक समाविष्ट आहे, जो एका चेहर्‍याला आयडी नियुक्त करतो आणि त्यानंतर त्या चेहर्‍याचा मागोवा एकाधिक सलग प्रतिमा किंवा व्हिडिओ फ्रेममध्ये ठेवतो. लक्षात घ्या की हा चेहरा आहे ट्रॅकिंग आणि खरे चेहर्याचा नाही ओळख. पडद्यामागील, फेस डिटेक्शन एपीआय चेहर्‍याची स्थिती आणि हालचाल शोधत आहे आणि त्यानंतर असा अंदाज लावतो की हा चेहरा बहुधा त्याच व्यक्तीचा आहे, परंतु तो त्या व्यक्तीच्या ओळखीविषयी अंजान नाही.

स्वत: साठी चेहरा शोध API वापरून पहा! मशीन लर्निंग आणि फायरबेस एमएल किटसह फेस-डिटेक्टिंग buildप कसे तयार करावे ते शोधा.

फायरबेस आणि एमएल सह बारकोड स्कॅन करीत आहे

इतर काही मशीन लर्निंग एपीआयसारखे बारकोड स्कॅन करणे रोमांचक वाटत नाही, परंतु हे एमएल किटचा सर्वात प्रवेशयोग्य भागांपैकी एक आहे.

बारकोड स्कॅन करण्यासाठी कोणत्याही तज्ञ हार्डवेअर किंवा सॉफ्टवेअरची आवश्यकता नसते, जेणेकरून आपला अ‍ॅप शक्य तितक्या जास्त लोकांपर्यंत पोहोचू शकेल याची खात्री करुन आपण बारकोड स्कॅनिंग API वापरू शकता, वृद्ध किंवा बजेट डिव्हाइसवरील वापरकर्त्यांसह. जोपर्यंत डिव्हाइसमध्ये कार्यरत कॅमेरा आहे, तोपर्यंत बारकोड स्कॅन करण्यात कोणतीही समस्या येऊ नये.

एमएल किटचे बारकोड स्कॅनिंग एपीआय मुद्रित आणि डिजिटल बारकोडवरून विस्तृत माहिती काढू शकते, जे वास्तविक अनुप्रयोगाकडून, आपल्या अनुप्रयोगासाठी कोणतीही त्रासदायक मॅन्युअल डेटा प्रविष्टी न करता आपल्या अनुप्रयोगाकडे द्रुत, सोपी आणि प्रवेशयोग्य मार्ग बनवते. .

बारकोड स्कॅनिंग एपीआय बारकोडवरून ओळखू आणि विश्लेषित करू शकतात असे नऊ भिन्न प्रकार आहेत:

• TYPE_CALENDAR_EVENT. यात इव्हेंटचे स्थान, संयोजक आणि त्यास प्रारंभ आणि समाप्ती वेळ यासारखी माहिती असते.आपण एखाद्या कार्यक्रमाचा प्रचार करत असल्यास आपण आपल्या पोस्टर्स किंवा फ्लायर्सवर मुद्रित बारकोड समाविष्ट करू शकता किंवा आपल्या वेबसाइटवर डिजिटल बारकोड दर्शवू शकता. त्यानंतर संभाव्य उपस्थित लोक फक्त आपल्या कार्यक्रमाची बारकोड स्कॅन करुन सर्व माहिती काढू शकतात.
• TYPE_CONTACT_INFO. या डेटा प्रकारात संपर्काचा ईमेल पत्ता, नाव, फोन नंबर आणि शीर्षक यासारख्या माहितीचा समावेश आहे.
• TYPE_DRIVER_LICENSE. यात रस्ता, शहर, राज्य, नाव आणि ड्रायव्हर परवान्याशी संबंधित जन्म तारीख यासारखी माहिती आहे.
• TYPE_EMAIL. या डेटा प्रकारात ईमेल पत्ता तसेच ईमेलची विषय रेखा आणि मुख्य मजकूर समाविष्ट आहे.
• TYPE_GEO. यात विशिष्ट भौगोलिक बिंदूसाठी अक्षांश आणि रेखांश आहे, जे आपल्या वापरकर्त्यांसह स्थान सामायिक करण्याचा किंवा त्यांच्याकरिता त्यांचे स्थान इतरांसह सामायिक करण्याचा एक सोपा मार्ग आहे. आपण स्थान-आधारित इव्हेंट्स चालविण्यासाठी संभाव्यतः भौगोलिक बारकोड देखील वापरू शकता, जसे की वापरकर्त्याच्या सद्य स्थानाबद्दल काही उपयुक्त माहिती प्रदर्शित करणे किंवा स्थान-आधारित मोबाइल गेमचा आधार म्हणून.
• TYPE_PHONE. यात टेलिफोन नंबर आणि नंबरचा प्रकार आहे, उदाहरणार्थ ते कार्य किंवा घरातील टेलिफोन नंबर आहे.
• TYPE_SMS. यात काही एसएमएस मुख्य मजकूर आणि एसएमएसशी संबंधित फोन नंबर आहे.
• TYPE_URL. या डेटा प्रकारात एक URL आणि URL चे शीर्षक आहे. कोणताही टायपिंग किंवा शब्दलेखन चुका न करता, एक लांब, गुंतागुंतीची URL व्यक्तिचलितपणे व्यक्तिचलितपणे टाइप करण्यापेक्षा आपल्या वापरकर्त्यावर अवलंबून राहण्याऐवजी एक TYPE_URL बारकोड स्कॅन करणे सोपे आहे.
• TYPE_WIFI. यात वाय-फाय नेटवर्कचे एसएसआयडी आणि संकेतशब्द तसेच त्याच्या एनक्रिप्शन प्रकार जसे की ओपन, डब्ल्यूईपी किंवा डब्ल्यूपीए आहे. वाय-फाय बारकोड हा वाय-फाय क्रेडेन्शियल्स सामायिक करण्याचा सर्वात सोपा मार्ग आहे, तसेच आपल्या वापरकर्त्यांकडून ही माहिती चुकीच्या पद्धतीने प्रविष्ट करण्याचा धोका देखील दूर केला आहे.

बारकोड स्कॅनिंग एपीआय कोडबार, कोड 39, ईएएन -8, आयटीएफ, आणि यूपीसी-ए सारख्या रेखीय स्वरूप आणि अ‍ॅझटेक, डेटा मॅट्रिक्स आणि क्यूआर कोड सारख्या 2 डी स्वरूपनांसह भिन्न बारकोड्समधील डेटाचे विश्लेषण करू शकते.

आपल्या एंड-वापरकर्त्यांसाठी गोष्टी सुलभ करण्यासाठी, हे एपीआय एकाच वेळी सर्व समर्थित बारकोडसाठी स्कॅन करते आणि बारकोडच्या अभिमुखतेकडे दुर्लक्ष करून डेटा देखील काढू शकते - म्हणून जेव्हा वापरकर्त्याने स्कॅन केला तेव्हा बारकोड पूर्णपणे वरच्या बाजूस असला तरी हरकत नाही!

मेघमधील मशीन शिक्षण: लँडमार्क ओळख API

प्रतिमेमधील सुप्रसिद्ध नैसर्गिक आणि बांधकाम केलेल्या खुणा ओळखण्यासाठी आपण एमएल किटची लँडमार्क ओळख API वापरू शकता.

आपण या एपीआयला प्रसिद्ध खूण असलेली एखादी प्रतिमा पास केल्यास ती प्रतिमांचे नाव, लँडमार्कची अक्षांश आणि रेखांश मूल्ये आणि प्रतिमेत चिन्हांकित कोठे सापडली हे दर्शविणारे एक बाउंडिंग बॉक्स परत करेल.

आपण वापरकर्त्याचे फोटो स्वयंचलितपणे टॅग करणार्‍या अनुप्रयोगासाठी किंवा अधिक सानुकूलित अनुभव प्रदान करण्यासाठी लँडमार्क रेकग्निशन एपीआय वापरू शकता, उदाहरणार्थ आपला अनुप्रयोग वापरकर्त्याने आयफेल टॉवरचे फोटो घेत असल्याचे ओळखले असल्यास कदाचित त्याबद्दल काही मनोरंजक तथ्ये ऑफर केली जातील हा महत्त्वाचा चिन्ह, किंवा तत्सम, जवळील पर्यटक आकर्षणे सुचवितो जी कदाचित वापरकर्त्यास पुढील भेट देऊ इच्छित असेल.

एमएल किटसाठी विलक्षणरित्या, लँडमार्क शोध API केवळ क्लाउड-आधारित एपीआय म्हणून उपलब्ध आहे, जेणेकरून डिव्हाइसवर सक्रिय इंटरनेट कनेक्शन असेल तेव्हा आपला अनुप्रयोग केवळ लँडमार्क शोधण्यात सक्षम होईल.

भाषा ओळख API: आंतरराष्ट्रीय प्रेक्षकांसाठी विकसनशील

आज, बर्‍याच वेगवेगळ्या भाषा बोलणार्‍या वापरकर्त्यांद्वारे, अँड्रॉइड अ‍ॅप्स जगाच्या प्रत्येक भागात वापरले जातात.

एमएल किटची भाषा ओळख API मजकूराची स्ट्रिंग घेऊन आणि त्यात लिहिलेली भाषा निश्चित करुन आंतरराष्ट्रीय प्रेक्षकांना आपल्या अँड्रॉइड अॅपला मदत करू शकते. भाषा ओळख API अरबी, बल्गेरियन, चीनी, ग्रीक, हिंदी, जपानी आणि रशियन.

वापरकर्त्याने-प्रदान केलेल्या मजकूरावर प्रक्रिया करणार्‍या कोणत्याही अनुप्रयोगात ही एपीआय एक मौल्यवान भर असू शकते, कारण या मजकूरामध्ये भाषेची माहिती फारच कमी आहे. भाषांतर अॅप्समध्ये भाषांतर करण्यासाठी प्रथम चरण म्हणून आपण भाषा ओळख API देखील वापरू शकता काहीही, आपण कोणत्या भाषेसह कार्य करीत आहात हे जाणून घेत आहे! उदाहरणार्थ, वापरकर्त्याने त्यांच्या डिव्हाइसचा कॅमेरा मेनूवर दर्शविला तर आपला अ‍ॅप मेनू फ्रेंचमध्ये लिहिलेला आहे हे निर्धारित करण्यासाठी भाषा ओळख API वापरू शकेल आणि नंतर क्लाऊड ट्रान्सलेशन API सारख्या सेवेचा वापर करुन या मेनूचे भाषांतर करण्याची ऑफर देऊ शकेल. कदाचित त्याचा मजकूर काढल्यानंतर, मजकूर ओळख API वापरुन?)

प्रश्नातील स्ट्रिंगवर अवलंबून, भाषा ओळख एपीआय आत्मविश्वास स्कोअरसह एकाधिक संभाव्य भाषा परत करेल जेणेकरुन आपण शोधू शकता की कोणती भाषा सर्वात योग्य आहे. लक्षात घ्या की एमएल किट लिहिताना एकाच स्ट्रिंगमध्ये एकाधिक भिन्न भाषा ओळखू शकल्या नाहीत.

हे एपीआय रिअल टाइममध्ये भाषा ओळख प्रदान करते हे सुनिश्चित करण्यासाठी, भाषा ओळख API केवळ डिव्हाइसवर मॉडेल म्हणून उपलब्ध आहे.

लवकरच येत आहे: स्मार्ट उत्तर

Google भविष्यात एमएल किटमध्ये अधिक एपीआय जोडण्याची योजना आखत आहे, परंतु आम्हाला अप-एन्ड-वे-एपीआय बद्दल माहित आहे.

एमएल किट वेबसाइटनुसार, आगामी स्मार्ट रिप्लाय एपीआय सद्य संदर्भाप्रमाणे बसणार्‍या मजकूराच्या तुकड्यांच्या सूचना देऊन आपणास आपल्या अनुप्रयोगांमध्ये संदर्भ संदेश देण्याची परवानगी देईल. आम्हाला या एपीआय बद्दल आधीपासूनच माहित असलेल्या आधारे, असे दिसते आहे की स्मार्ट रिप्लाय अँड्रॉइडच्या अ‍ॅप, वियर ओएस आणि जीमेलमध्ये आधीपासून उपलब्ध असलेल्या सुचवलेल्या-प्रतिसाद वैशिष्ट्यासारखे असेल.

खालील स्क्रीनशॉट जीमेलमध्ये सध्या सुचविलेले प्रतिसाद वैशिष्ट्य कसे दिसते ते दर्शवितो.

पुढे काय? एमएल किटसह टेन्सरफ्लो लाइट वापरणे

एमएल किट सामान्य मोबाइल वापर प्रकरणांसाठी पूर्व-अंगभूत मॉडेल्स प्रदान करते, परंतु काही वेळा आपल्याला कदाचित या रेडिमेड मॉडेल्सच्या पलीकडे जाण्याची इच्छा असू शकेल.

टेन्सरफ्लो लाइट वापरुन आपले स्वतःचे एमएल मॉडेल तयार करणे आणि नंतर एमएल किट वापरुन त्यांचे वितरण करणे शक्य आहे. तथापि, फक्त हे लक्षात घ्या की एमएल किटच्या रेडीमेड एपीआयच्या विपरीत, आपल्या स्वत: च्या एमएल मॉडेलसह कार्य करण्यासाठी ए आवश्यक आहे लक्षणीय एमएल तज्ञांची रक्कम.

एकदा आपण आपले टेन्सरफ्लो लाइट मॉडेल तयार केले की आपण त्यांना फायरबॅसवर अपलोड करू शकता आणि त्यानंतर Google आपल्या अंतिम वापरकर्त्यांसाठी त्या मॉडेल्सचे होस्टिंग आणि सेवा देईल. या परिस्थितीत, एमएल किट आपल्या सानुकूल मॉडेलवर एपीआय लेअर म्हणून कार्य करते, जे सानुकूल मॉडेल वापरण्यात गुंतलेल्या काही भारी-उचलण्यास सुलभ करते. विशेष म्हणजे, एमएल किट आपल्या मॉडेलची नवीनतम आवृत्ती स्वयंचलितपणे आपल्या वापरकर्त्यांकडे ढकलेल, म्हणून प्रत्येक वेळी आपल्याला आपल्या मॉडेलला चिमटा घ्यायचा असेल तेव्हा आपला अ‍ॅप अद्यतनित करण्याची आवश्यकता नाही.

सर्वोत्तम संभाव्य वापरकर्ता अनुभव प्रदान करण्यासाठी, आपण आपल्या टेन्सरफ्लो लाइट मॉडेलच्या नवीन आवृत्त्या डाउनलोड करण्यापूर्वी आपण पूर्ण केलेली अट निश्चित करू शकता, उदाहरणार्थ डिव्हाइस निष्क्रिय, चार्जिंग किंवा वाय-टू कनेक्ट केलेले असताना केवळ मॉडेल अद्यतनित करणे. फाय. आपण फायरबेस सेवांसह एमएल किट आणि टेन्सरफ्लो लाइट देखील वापरू शकता, उदाहरणार्थ फायरबॅस रिमोट कॉन्फिगरेशन आणि फायरबेस ए / बी चाचणी वापरुन वापरकर्त्यांचे भिन्न संच विविध मॉडेल्स सर्व्ह करता.

आपण पूर्व-अंगभूत मॉडेल्सच्या पलीकडे जायचे असल्यास किंवा एमएल किटची विद्यमान मॉडेल्स आपल्या गरजा पूर्ण करीत नसल्यास आपण अधिकृत मशीन फायरबेस डॉक्सवर आपले स्वतःचे मशीन शिक्षण मॉडेल तयार करण्याबद्दल अधिक जाणून घेऊ शकता.

लपेटणे

या लेखामध्ये आम्ही Google च्या मशीन शिक्षण किटच्या प्रत्येक घटकाकडे पाहिले आणि काही सामान्य परिदृश्ये ज्यात आपणास कदाचित प्रत्येक एमएल किट एपीआय वापरू इच्छित असतील.

Google भविष्यात अधिक एपीआय जोडण्याची योजना आखत आहे, तर आपण कोणती मशीन लर्निंग एपीआय पुढे एमएल किटमध्ये जोडलेले पाहू इच्छिता? आम्हाला खाली टिप्पण्या कळू द्या!