विषय

• Google की मशीन लर्निंग किट से मिलो
• मैं एमएल किट एपीआई का उपयोग कैसे करूं?
• टेक्स्ट रिकग्निशन एपीआई के साथ किसी भी इमेज में टेक्स्ट को पहचानें
• छवि की सामग्री को समझना: छवि लेबल एपीआई
• भावों और ट्रैकिंग चेहरों को समझना: फेस डिटेक्शन एपीआई
• फायरबेस और एमएल के साथ बारकोड स्कैनिंग
• मशीन लर्निंग इन द क्लाउड: लैंडमार्क रिकॉग्निशन एपीआई
• लैंग्वेज आइडेंटिफिकेशन एपीआई: एक अंतरराष्ट्रीय दर्शकों के लिए विकसित करना
• कमिंग सून: स्मार्ट रिप्लाई
• आगे क्या होगा? ML किट के साथ TensorFlow Lite का उपयोग करना
• समेट रहा हु

मशीन लर्निंग (एमएल) आपको अपने मोबाइल उपयोगकर्ताओं के लिए अभिनव, सम्मोहक और अद्वितीय अनुभव बनाने में मदद कर सकता है।

एक बार जब आप एमएल में महारत हासिल कर लेते हैं, तो आप एप्लिकेशन की एक विस्तृत श्रृंखला बनाने के लिए इसका उपयोग कर सकते हैं, जिसमें ऐप भी शामिल हैं जो स्वचालित रूप से अपने विषय के आधार पर फ़ोटो को व्यवस्थित करते हैं, एक लाइवस्ट्रीम में किसी व्यक्ति के चेहरे को पहचानते हैं और ट्रैक करते हैं, एक छवि से पाठ निकालते हैं, और बहुत कुछ ।

लेकिन एमएल बिल्कुल शुरुआती के अनुकूल नहीं है! यदि आप अपने एंड्रॉइड ऐप को शक्तिशाली मशीन सीखने की क्षमताओं के साथ बढ़ाना चाहते हैं, तो आप वास्तव में कहां से शुरू करते हैं?

इस लेख में, मैं एक SDK (सॉफ़्टवेयर डेवलपमेंट किट) का अवलोकन प्रदान करूंगा, जिसमें आपके पास होने पर भी अपनी उंगलियों पर एमएल की शक्ति लगाने का वादा किया गया है शून्य एमएल का अनुभव। इस लेख के अंत तक, आपके पास वह आधार होगा जो आपको बुद्धिमान, एमएल-पावर्ड ऐप्स बनाने में शुरू करने की आवश्यकता है जो छवियों को लेबल करने में सक्षम हैं, बारकोड्स को स्कैन करने, चेहरों और प्रसिद्ध स्थलों को पहचानने और कई अन्य शक्तिशाली एमएल कार्यों का प्रदर्शन करने में सक्षम हैं।

Google की मशीन लर्निंग किट से मिलो

TensorFlow और CloudVision जैसी तकनीकों के जारी होने के साथ, ML अधिक व्यापक रूप से उपयोग हो रहा है, लेकिन ये तकनीकें दिल के बेहोश होने की स्थिति में नहीं हैं! आपको केवल प्राप्त करने के लिए आमतौर पर तंत्रिका नेटवर्क और डेटा विश्लेषण की गहरी समझ की आवश्यकता होगी शुरू कर दिया है TensorFlow जैसी तकनीक के साथ।

भले ही तुम करना एमएल के साथ कुछ अनुभव है, एक मशीन सीखने-संचालित मोबाइल ऐप बनाना एक समय लेने वाली, जटिल और महंगी प्रक्रिया हो सकती है, जिससे आपको अपने स्वयं के एमएल मॉडल को प्रशिक्षित करने के लिए पर्याप्त डेटा स्रोत की आवश्यकता होती है, और फिर कुशलता से चलाने के लिए उन एमएल मॉडल का अनुकूलन करें। मोबाइल का माहौल। यदि आप एक व्यक्तिगत डेवलपर हैं, या आपके पास सीमित संसाधन हैं, तो हो सकता है कि आपके एमएल ज्ञान को व्यवहार में लाना संभव न हो।

ML किट Google के मशीन सीखने को जन-जन तक पहुँचाने का प्रयास है।

हुड के तहत, एमएल किट कई शक्तिशाली एमएल प्रौद्योगिकियों को एक साथ बंडल करता है, जिन्हें आमतौर पर व्यापक एमएल ज्ञान की आवश्यकता होती है, जिसमें क्लाउड विजन, टेन्सरफ्लो और एंड्रॉइड न्यूरल नेटवर्क्स एपीआई शामिल हैं। एमएल किट इन विशेषज्ञ एमएल प्रौद्योगिकियों को आम मोबाइल उपयोग के मामले के लिए पूर्व प्रशिक्षित मॉडल के साथ जोड़ती है, जिसमें एक छवि से पाठ निकालना, एक बारकोड को स्कैन करना और एक फोटो की सामग्री की पहचान करना शामिल है।

भले ही आपके पास एमएल का कोई पूर्व ज्ञान हो, आप अपने एंड्रॉइड में शक्तिशाली मशीन सीखने की क्षमताओं को जोड़ने के लिए एमएल किट का उपयोग कर सकते हैं तथा आईओएस ऐप - एमएल किट के सही हिस्से में कुछ डेटा पास करें, जैसे कि टेक्स्ट रिकॉग्निशन या लैंग्वेज आइडेंटिफिकेशन एपीआई, और यह एपीआई प्रतिक्रिया सीखने के लिए मशीन लर्निंग का उपयोग करेगा।

मैं एमएल किट एपीआई का उपयोग कैसे करूं?

एमएल किट को कई एपीआई में विभाजित किया गया है जो फायरबेस प्लेटफॉर्म के हिस्से के रूप में वितरित किए जाते हैं। एमएल किट एपीआई में से किसी का उपयोग करने के लिए, आपको अपने एंड्रॉइड स्टूडियो प्रोजेक्ट और संबंधित फायरबेस प्रोजेक्ट के बीच एक कनेक्शन बनाने की आवश्यकता होगी, और फिर फायरबेस के साथ संवाद करें।

अधिकांश एमएल किट मॉडल ऑन-डिवाइस मॉडल के रूप में उपलब्ध हैं जिन्हें आप स्थानीय रूप से डाउनलोड और उपयोग कर सकते हैं, लेकिन कुछ मॉडल क्लाउड में भी उपलब्ध हैं, जो आपके ऐप को डिवाइस के इंटरनेट कनेक्शन पर एमएल-संचालित कार्यों को करने की अनुमति देता है।

प्रत्येक दृष्टिकोण की अपनी ताकत और कमजोरियों का एक अनूठा सेट है, इसलिए आपको यह तय करने की आवश्यकता होगी कि क्या स्थानीय या दूरस्थ प्रसंस्करण किसी विशेष एप्लिकेशन के लिए सबसे अधिक समझ में आता है। आप दोनों मॉडलों के लिए समर्थन भी जोड़ सकते हैं, और फिर अपने उपयोगकर्ताओं को यह तय करने की अनुमति दे सकते हैं कि रनटाइम में किस मॉडल का उपयोग करना है। वैकल्पिक रूप से, आप मौजूदा स्थितियों के लिए सर्वश्रेष्ठ मॉडल का चयन करने के लिए अपने एप्लिकेशन को कॉन्फ़िगर कर सकते हैं, उदाहरण के लिए केवल डिवाइस पर वाई-फाई से कनेक्ट होने पर क्लाउड-आधारित मॉडल का उपयोग करना।

यदि आप स्थानीय मॉडल का विकल्प चुनते हैं, तो उपयोगकर्ता के सक्रिय इंटरनेट कनेक्शन के बावजूद, आपके एप्लिकेशन की मशीन सीखने की सुविधाएँ हमेशा उपलब्ध रहेंगी। चूंकि सभी काम स्थानीय रूप से किए जाते हैं, इसलिए जब आपके ऐप को लाइव वीडियो स्ट्रीम में हेरफेर करने के लिए एमएल किट का उपयोग किया जाता है, तो आपके डिवाइस को बड़ी मात्रा में डेटा संसाधित करने की आवश्यकता होती है, तब ऑन-डिवाइस मॉडल आदर्श होते हैं।

इस बीच, क्लाउड-आधारित मॉडल आमतौर पर अपने ऑन-डिवाइस समकक्षों की तुलना में अधिक सटीकता प्रदान करते हैं, क्योंकि क्लाउड मॉडल Google क्लाउड प्लेटफ़ॉर्म की मशीन सीखने की तकनीक का लाभ उठाते हैं। उदाहरण के लिए, इमेज लेबलिंग एपीआई के ऑन-डिवाइस मॉडल में 400 लेबल शामिल हैं, लेकिन क्लाउड मॉडल में विशेषताएं हैं 10,000 लेबल.

एपीआई के आधार पर, कुछ कार्यक्षमता भी हो सकती है जो केवल क्लाउड में उपलब्ध है, उदाहरण के लिए टेक्स्ट रिकॉग्निशन एपीआई केवल गैर-लैटिन वर्णों की पहचान कर सकता है यदि आप इसके क्लाउड-आधारित मॉडल का उपयोग करते हैं।

क्लाउड-आधारित API केवल ब्लेज़-स्तरीय फ़ायरबेस प्रोजेक्ट्स के लिए उपलब्ध हैं, इसलिए आपको किसी भी एमएल किट क्लाउड मॉडल का उपयोग करने से पहले आपको भुगतान-ए-यू-गो ब्लेज़ प्लान में अपग्रेड करना होगा।

यदि आप क्लाउड मॉडल का पता लगाने का निर्णय लेते हैं, तो लेखन के समय, सभी एमएल किट एपीआई के लिए एक मुफ्त कोटा उपलब्ध था। यदि आप केवल क्लाउड-आधारित छवि लेबलिंग के साथ प्रयोग करना चाहते हैं, तो आप अपने फायरबेस प्रोजेक्ट को ब्लेज़ प्लान में अपग्रेड कर सकते हैं, 1,000 से कम छवियों पर एपीआई का परीक्षण कर सकते हैं, और फिर चार्ज किए बिना मुक्त स्पार्क योजना पर वापस जा सकते हैं। हालाँकि, समय के साथ नियम और शर्तों को बदलने की एक बुरी आदत है, इसलिए ब्लेज़ को अपग्रेड करने से पहले छोटे प्रिंट को पढ़ना सुनिश्चित करें, बस यह सुनिश्चित करने के लिए कि आप किसी अप्रत्याशित बिल की चपेट में न आएं!

टेक्स्ट रिकग्निशन एपीआई के साथ किसी भी इमेज में टेक्स्ट को पहचानें

टेक्स्ट रिकॉग्निशन एपीआई समझदारी से टेक्स्ट की पहचान, विश्लेषण और प्रक्रिया कर सकता है।

आप इस API का उपयोग किसी छवि से पाठ निकालने वाले एप्लिकेशन बनाने के लिए कर सकते हैं, इसलिए आपके उपयोगकर्ताओं को थकाऊ मैनुअल डेटा प्रविष्टि पर समय बर्बाद नहीं करना पड़ेगा। उदाहरण के लिए, आप अपने उपयोगकर्ताओं को रसीद, चालान, व्यावसायिक कार्ड, या यहां तक ​​कि पोषण लेबल से जानकारी को रिकॉर्ड करने में मदद करने के लिए टेक्स्ट रिकॉग्निशन एपीआई का उपयोग कर सकते हैं, बस प्रश्न में आइटम की एक फोटो लेकर।

आप अनुवाद एप्लिकेशन में पहले चरण के रूप में टेक्स्ट रिकॉग्निशन एपीआई का उपयोग भी कर सकते हैं, जहाँ उपयोगकर्ता कुछ अपरिचित पाठ की तस्वीर लेता है और एपीआई छवि से सभी पाठ को निकालता है, अनुवाद सेवा में पारित होने के लिए तैयार है।

एमएल किट का ऑन-डिवाइस टेक्स्ट रिकग्निशन एपीआई किसी भी लैटिन-आधारित भाषा में टेक्स्ट की पहचान कर सकता है, जबकि इसके क्लाउड-आधारित समकक्ष चीनी, जापानी और कोरियाई वर्णों सहित अधिक भाषाओं और वर्णों को पहचान सकते हैं। क्लाउड-आधारित मॉडल घनी-भरी दस्तावेज़ों से छवियों और पाठ से विरल पाठ निकालने के लिए भी अनुकूलित है, जिसे आपको अपने ऐप में उपयोग करने के लिए कौन से मॉडल का निर्णय लेते समय ध्यान में रखना चाहिए।

इस एपीआई के साथ कुछ हाथों के अनुभव चाहते हैं? फिर टेक्स्ट रिकग्निशन एपीआई का उपयोग करके किसी भी छवि से टेक्स्ट को निकालने के लिए एक एप्लिकेशन बनाने के लिए हमारे चरण-दर-चरण मार्गदर्शिका देखें।

छवि की सामग्री को समझना: छवि लेबल एपीआई

इमेज लेबलिंग एपीआई किसी भी अतिरिक्त संदर्भ संबंधी मेटाडेटा की आवश्यकता के बिना स्थानों, लोगों, उत्पादों और जानवरों सहित एक छवि में संस्थाओं को पहचान सकता है। छवि लेबलिंग एपीआई लेबल के रूप में पता लगाए गए संस्थाओं के बारे में जानकारी लौटाएगा। निम्न स्क्रीनशॉट में उदाहरण के लिए, मैंने एपीआई को एक प्रकृति फ़ोटो प्रदान किया है, और इसके जवाब में "वन" और "नदी" जैसे लेबल दिए गए हैं।

छवि की सामग्री को पहचानने की यह क्षमता आपको उन ऐप्स को बनाने में मदद कर सकती है जो फ़ोटो को उनके विषय के आधार पर टैग करते हैं; फ़िल्टर जो स्वचालित रूप से अनुचित उपयोगकर्ता-प्रस्तुत सामग्री की पहचान करते हैं और इसे आपके ऐप से हटा देते हैं; या उन्नत खोज कार्यक्षमता के आधार के रूप में।

एमएल किट एपीआई के कई संभावित परिणाम लौटाते हैं, आत्मविश्वास स्कोर के साथ पूरा - छवि लेबल एपीआई सहित। यदि आप छवि लेबलिंग को एक पूडल की तस्वीर से गुजारते हैं, तो यह "पूडल," "कुत्ता," "पालतू" और "छोटा जानवर" जैसे लेबल लौटा सकता है, सभी अलग-अलग स्कोर के साथ प्रत्येक लेबल में एपीआई के आत्मविश्वास का संकेत देते हैं। उम्मीद है, इस परिदृश्य में "पुडल" में सबसे अधिक आत्मविश्वास स्कोर होगा!

आप इस कॉन्फिडेंस स्कोर का उपयोग एक थ्रेशोल्ड बनाने के लिए कर सकते हैं, जो आपके एप्लिकेशन को किसी विशेष लेबल पर कार्य करने से पहले करना चाहिए, उदाहरण के लिए इसे उपयोगकर्ता को प्रदर्शित करना या इस लेबल के साथ फोटो टैग करना।

इमेज लेबलिंग ऑन-डिवाइस और क्लाउड दोनों में उपलब्ध है, हालांकि यदि आप क्लाउड मॉडल का विकल्प चुनते हैं, तो आपको ऑन-डिवाइस मॉडल में शामिल 400 लेबल की तुलना में 10,000 से अधिक लेबल तक पहुंच प्राप्त होगी।

छवि लेबलिंग एपीआई पर अधिक गहराई से देखने के लिए, मशीन सीखने के साथ एक छवि की सामग्री निर्धारित करें। इस लेख में, हम एक ऐसे एप्लिकेशन का निर्माण करते हैं जो एक छवि को संसाधित करता है, और फिर उस छवि के भीतर पाए गए प्रत्येक इकाई के लिए लेबल और आत्मविश्वास स्कोर लौटाता है। हम इस ऐप में ऑन-डिवाइस और क्लाउड मॉडल भी लागू करते हैं, ताकि आप यह देख सकें कि परिणाम किस प्रकार भिन्न होते हैं, इस पर निर्भर करता है कि आप किस मॉडल को चुनते हैं।

भावों और ट्रैकिंग चेहरों को समझना: फेस डिटेक्शन एपीआई

फेस डिटेक्शन एपीआई फोटो, वीडियो और लाइव स्ट्रीम में मानव चेहरे का पता लगा सकता है, और फिर प्रत्येक स्थिति, आकार और अभिविन्यास सहित प्रत्येक ज्ञात चेहरे के बारे में जानकारी निकालता है।

आप उपयोगकर्ताओं को उनकी फ़ोटो संपादित करने में मदद करने के लिए इस API का उपयोग कर सकते हैं, उदाहरण के लिए, अपने नवीनतम हेडशॉट के आसपास की सभी खाली जगह को स्वचालित रूप से क्रॉप करके।

फेस डिटेक्शन एपीआई छवियों तक सीमित नहीं है - आप इस एपीआई को वीडियो पर भी लागू कर सकते हैं, उदाहरण के लिए आप एक ऐप बना सकते हैं जो वीडियो फ़ीड में सभी चेहरों की पहचान करता है और फिर सब कुछ धुंधला कर देता है के सिवाय वे चेहरे, जो स्काइप की पृष्ठभूमि ब्लर सुविधा के समान हैं।

फेस डिटेक्शन है हमेशा ऑन-डिवाइस का प्रदर्शन किया, जहां यह वास्तविक समय में उपयोग किए जाने के लिए पर्याप्त तेज़ है, इसलिए एमएल किट के एपीआई के बहुमत के विपरीत, फेस डिटेक्शन करता है नहीं एक क्लाउड मॉडल शामिल करें।

चेहरों का पता लगाने के अलावा, इस एपीआई में कुछ अतिरिक्त विशेषताएं हैं जो खोज के लायक हैं। सबसे पहले, फेस डिटेक्शन एपीआई चेहरे की जगहें, जैसे आँखें, होंठ और कान की पहचान कर सकता है, और फिर इनमें से प्रत्येक गंतव्य के लिए सटीक निर्देशांक प्राप्त करता है। यह ऐतिहासिक मान्यता आपको प्रत्येक पहचाने गए चेहरे का एक सटीक नक्शा प्रदान करता है - संवर्धित वास्तविकता (एआर) ऐप बनाने के लिए एकदम सही है जो उपयोगकर्ता के कैमरा फीड में स्नैपचैट-स्टाइल मास्क और फिल्टर जोड़ते हैं।

फेस डिटेक्शन एपीआई फेशियल भी कराता है वर्गीकरण। वर्तमान में, एमएल किट दो चेहरे के वर्गीकरण का समर्थन करता है: आँखें खुली, और मुस्कुरा रही हैं।

आप इस वर्गीकरण का उपयोग पहुँच-योग्य सेवाओं, जैसे कि हैंड्स-फ़्री नियंत्रण, या गेम बनाने के लिए कर सकते हैं, जो खिलाड़ी के चेहरे की अभिव्यक्ति का जवाब देते हैं। यह पता लगाने की क्षमता है कि कोई व्यक्ति मुस्कुरा रहा है या उसकी आँखें खुली हैं, यदि आप कैमरा ऐप बना रहे हैं तो यह भी काम में आ सकता है - आखिरकार, फ़ोटो का एक गुच्छा लेने से बुरा कुछ नहीं है, केवल बाद में पता चलता है कि किसी ने अपनी आँखें बंद कर ली थीं में हर एक शॉट।

अंत में, फेस डिटेक्शन एपीआई में एक फेस-ट्रैकिंग घटक शामिल होता है, जो एक चेहरे को एक आईडी प्रदान करता है और फिर उस चेहरे को कई लगातार छवियों या वीडियो फ्रेम में ट्रैक करता है। ध्यान दें कि यह चेहरा है नज़र रखना और सच नहीं चेहरे मान्यता। पर्दे के पीछे, फेस डिटेक्शन एपीआई चेहरे की स्थिति और गति को ट्रैक कर रहा है और फिर अनुमान लगाता है कि यह चेहरा संभवतः एक ही व्यक्ति का है, लेकिन यह अंततः व्यक्ति की पहचान से अनजान है।

अपने लिए फेस डिटेक्शन एपीआई आज़माएं! मशीन लर्निंग और फायरबेस एमएल किट के साथ फेस डिटेक्शन ऐप बनाने का तरीका जानें।

फायरबेस और एमएल के साथ बारकोड स्कैनिंग

बारकोड स्कैनिंग कुछ अन्य मशीन लर्निंग एपीआई की तरह रोमांचक नहीं हो सकती है, लेकिन यह एमएल किट के सबसे सुलभ भागों में से एक है।

बारकोड को स्कैन करने के लिए किसी विशेषज्ञ हार्डवेयर या सॉफ़्टवेयर की आवश्यकता नहीं होती है, इसलिए आप अपने ऐप को पुराने या बजट उपकरणों पर उपयोगकर्ताओं सहित यथासंभव अधिक लोगों तक पहुँच सुनिश्चित करते हुए बारकोड स्कैनिंग एपीआई का उपयोग कर सकते हैं। जब तक एक उपकरण में एक कार्यशील कैमरा होता है, तब तक बारकोड को स्कैन करने में कोई समस्या नहीं होनी चाहिए।

एमएल किट का बारकोड स्कैनिंग एपीआई प्रिंटेड और डिजिटल बारकोड से कई तरह की जानकारी निकाल सकता है, जो वास्तविक दुनिया से जानकारी प्राप्त करने का एक त्वरित, आसान और सुलभ तरीका है, आपके आवेदन के बिना, उपयोगकर्ता बिना किसी थकाऊ मैनुअल डेटा प्रविष्टि के ।

बारकोड स्कैनिंग एपीआई बारकोड से पहचान और पार्स कर सकते हैं कि नौ अलग-अलग डेटा प्रकार हैं:

• TYPE_CALENDAR_EVENT। इसमें ईवेंट का स्थान, आयोजक जैसी जानकारी शामिल है, और यह प्रारंभ और समाप्ति समय है।यदि आप किसी ईवेंट का प्रचार कर रहे हैं, तो आप अपने पोस्टर्स या फ़्लायर्स पर एक मुद्रित बारकोड शामिल कर सकते हैं या अपनी वेबसाइट पर एक डिजिटल बारकोड की सुविधा दे सकते हैं। संभावित उपस्थितगण आपके घटना के बारे में सभी जानकारी निकाल सकते हैं, बस इसके बारकोड को स्कैन करके।
• TYPE_CONTACT_INFO। यह डेटा प्रकार संपर्क की ईमेल पते, नाम, फोन नंबर और शीर्षक जैसी जानकारी को कवर करता है।
• TYPE_DRIVER_LICENSE। इसमें सड़क, शहर, राज्य, नाम और जन्म की तारीख जैसे कि ड्राइविंग लाइसेंस से जुड़ी जानकारी शामिल है।
• TYPE_EMAIL। इस डेटा प्रकार में एक ईमेल पता, ईमेल की विषय पंक्ति और शरीर का पाठ शामिल होता है।
• TYPE_GEO। इसमें एक विशिष्ट जियो बिंदु के लिए अक्षांश और देशांतर शामिल हैं, जो आपके उपयोगकर्ताओं के साथ किसी स्थान को साझा करने के लिए, या उनके लिए दूसरों के साथ अपना स्थान साझा करने का एक आसान तरीका है। आप स्थान-आधारित घटनाओं को ट्रिगर करने के लिए संभावित रूप से जियो बारकोड का उपयोग कर सकते हैं, जैसे कि उपयोगकर्ता के वर्तमान स्थान के बारे में कुछ उपयोगी जानकारी प्रदर्शित करना, या स्थान-आधारित मोबाइल गेम के आधार के रूप में।
• TYPE_PHONE। इसमें टेलीफोन नंबर और नंबर का प्रकार शामिल है, उदाहरण के लिए कि यह एक काम है या एक घर का टेलीफोन नंबर है।
• TYPE_SMS। इसमें कुछ एसएमएस बॉडी टेक्स्ट और एसएमएस से जुड़े फोन नंबर शामिल हैं।
• TYPE_URL। इस डेटा प्रकार में एक URL और URL का शीर्षक होता है। TYPE_URL बारकोड को स्कैन करना आपके उपयोगकर्ताओं पर भरोसा करने की तुलना में बहुत आसान है, बिना किसी टाइपो या वर्तनी की गलतियों के, मैन्युअल रूप से एक लंबा, जटिल URL टाइप करने के लिए।
• TYPE_WIFI। इसमें वाई-फाई नेटवर्क का SSID और पासवर्ड शामिल है, साथ ही इसके एन्क्रिप्शन प्रकार जैसे OPEN, WEP या WPA शामिल हैं। वाई-फाई बारकोड, वाई-फाई क्रेडेंशियल्स को साझा करने के सबसे आसान तरीकों में से एक है, जबकि आपके उपयोगकर्ताओं द्वारा इस जानकारी को गलत तरीके से दर्ज करने के जोखिम को भी पूरी तरह से हटा देता है।

बारकोड स्कैनिंग एपीआई अलग-अलग बारकोड की एक श्रृंखला से डेटा पार्स कर सकती है, जिसमें रैखिक प्रारूप जैसे कि कोडबार, कोड 39, ईएएन -8, आईटीएफ और यूपीसी-ए और एज़्टेक, डेटा मैट्रिक्स और क्यूआर कोड जैसे 2 डी प्रारूप शामिल हैं।

अपने अंतिम-उपयोगकर्ताओं के लिए चीजों को आसान बनाने के लिए, यह API सभी समर्थित बारकोड के लिए एक साथ स्कैन करता है, और बारकोड के अभिविन्यास की परवाह किए बिना डेटा भी निकाल सकता है - इसलिए उपयोगकर्ता द्वारा स्कैन किए जाने पर बारकोड पूरी तरह से उल्टा हो जाए तो कोई बात नहीं!

मशीन लर्निंग इन द क्लाउड: लैंडमार्क रिकॉग्निशन एपीआई

आप एक छवि के भीतर अच्छी तरह से ज्ञात प्राकृतिक और निर्मित स्थलों की पहचान करने के लिए एमएल किट के लैंडमार्क मान्यता एपीआई का उपयोग कर सकते हैं।

यदि आप इस API को एक प्रसिद्ध लैंडमार्क वाली छवि से गुजारते हैं, तो यह उस लैंडमार्क, लैंडमार्क के अक्षांश और देशांतर मानों और एक बाउंडिंग बॉक्स को इंगित करता है, जहां छवि के भीतर लैंडमार्क खोजा गया था।

आप ऐसे एप्लिकेशन बनाने के लिए लैंडमार्क रिकॉग्निशन एपीआई का उपयोग कर सकते हैं जो उपयोगकर्ता की तस्वीरों को स्वचालित रूप से टैग करते हैं, या अधिक अनुकूलित अनुभव प्रदान करने के लिए, उदाहरण के लिए यदि आपका ऐप पहचानता है कि उपयोगकर्ता एफिल टॉवर की तस्वीरें ले रहा है, तो यह कुछ दिलचस्प तथ्यों की पेशकश कर सकता है यह मील का पत्थर, या इसी तरह के, आसपास के पर्यटक आकर्षण का सुझाव देता है जिसे उपयोगकर्ता आगे देखना चाहता है।

एमएल किट के लिए असामान्य रूप से, लैंडमार्क डिटेक्शन एपीआई केवल क्लाउड-आधारित एपीआई के रूप में उपलब्ध है, इसलिए आपका एप्लिकेशन केवल तभी लैंडमार्क डिटेक्शन कर पाएगा जब डिवाइस में सक्रिय इंटरनेट कनेक्शन हो।

लैंग्वेज आइडेंटिफिकेशन एपीआई: एक अंतरराष्ट्रीय दर्शकों के लिए विकसित करना

आज, एंड्रॉइड ऐप्स का उपयोग दुनिया के हर हिस्से में किया जाता है, उपयोगकर्ताओं द्वारा जो कई अलग-अलग भाषाएं बोलते हैं।

एमएल किट की लैंग्वेज आइडेंटिफ़िकेशन एपीआई आपके एंड्रॉइड ऐप को एक अंतर्राष्ट्रीय ऑडियंस के लिए मदद कर सकती है, जिसमें टेक्स्ट की एक स्ट्रिंग होती है और यह उसके द्वारा लिखी गई भाषा को निर्धारित करता है। लैंग्वेज आइडेंटिफिकेशन एपीआई एक सौ से अधिक विभिन्न भाषाओं की पहचान कर सकती है, जिसमें अरबी, बल्गेरियाई के लिए रोमानी टेक्स्ट भी शामिल है। चीनी, ग्रीक, हिंदी, जापानी और रूसी।

यह एपीआई किसी भी अनुप्रयोग के लिए एक मूल्यवान जोड़ हो सकता है जो उपयोगकर्ता द्वारा प्रदान किए गए पाठ को संसाधित करता है, क्योंकि इस पाठ में शायद ही कोई भाषा जानकारी शामिल है। आप अनुवाद ऐप में भाषा पहचान एपीआई का भी उपयोग कर सकते हैं, अनुवाद करने के लिए पहला कदम है कुछ भी, यह जानकर कि आप किस भाषा में काम कर रहे हैं! उदाहरण के लिए, यदि उपयोगकर्ता मेनू में अपने डिवाइस के कैमरे को इंगित करता है, तो हो सकता है कि आपका ऐप भाषा पहचान एपीआई का उपयोग यह निर्धारित करने के लिए करे कि मेनू फ्रेंच में लिखा गया है, और फिर क्लाउड सेवा एपीआई जैसी सेवा का उपयोग करके इस मेनू का अनुवाद करने की पेशकश करें ( शायद अपने पाठ को निकालने के बाद, टेक्स्ट रिकग्निशन एपीआई का उपयोग कर रहे हैं?)

प्रश्न में स्ट्रिंग के आधार पर, भाषा पहचान API कई संभावित भाषाओं को लौटा सकती है, आत्मविश्वास स्कोर के साथ ताकि आप यह निर्धारित कर सकें कि किस भाषा का पता लगाया गया है जो सही होने की सबसे अधिक संभावना है। ध्यान दें कि एमएल किट लिखने के समय एक ही स्ट्रिंग में कई अलग-अलग भाषाओं की पहचान नहीं की जा सकती है।

यह सुनिश्चित करने के लिए कि यह एपीआई वास्तविक समय में भाषा की पहचान प्रदान करता है, भाषा पहचान एपीआई केवल ऑन-डिवाइस मॉडल के रूप में उपलब्ध है।

कमिंग सून: स्मार्ट रिप्लाई

Google भविष्य में एमएल किट में और अधिक एपीआई जोड़ने की योजना बना रहा है, लेकिन हम पहले से ही एक अप और आने वाले एपीआई के बारे में जानते हैं।

एमएल किट वेबसाइट के अनुसार, आगामी स्मार्ट रिप्लाई एपीआई पाठ के स्निपेट का सुझाव देते हुए आपको अपने अनुप्रयोगों में प्रासंगिक संदेश भेजने की अनुमति देगा, जो वर्तमान संदर्भ के अनुकूल हैं। इस एपीआई के बारे में हम जो पहले से जानते हैं, उसके आधार पर, ऐसा लगता है कि स्मार्ट रिप्लाई एंड्रॉइड के ऐप, वियर ओएस और जीमेल में पहले से उपलब्ध सुझाव-प्रतिक्रिया सुविधा के समान होगा।

निम्न स्क्रीनशॉट दिखाता है कि जीमेल में वर्तमान में सुझाई गई प्रतिक्रिया सुविधा कैसी है।

आगे क्या होगा? ML किट के साथ TensorFlow Lite का उपयोग करना

एमएल किट आम ​​मोबाइल उपयोग के मामलों के लिए पूर्व-निर्मित मॉडल प्रदान करता है, लेकिन कुछ बिंदु पर आप इन तैयार मॉडल से आगे बढ़ना चाह सकते हैं।

TensorFlow Lite का उपयोग करके अपने स्वयं के ML मॉडल बनाना संभव है और फिर उन्हें ML किट का उपयोग करके वितरित करें। हालाँकि, बस इस बात से अवगत रहें कि एमएल किट के तैयार एपीआई के विपरीत, अपने स्वयं के एमएल मॉडल के साथ काम करने की आवश्यकता है महत्वपूर्ण एमएल विशेषज्ञता की राशि।

एक बार जब आप अपने TensorFlow Lite मॉडल बना लेते हैं, तो आप उन्हें Firebase पर अपलोड कर सकते हैं और Google तब उन मॉडलों को आपके अंतिम-उपयोगकर्ताओं के लिए होस्ट और सेवारत करेगा। इस परिदृश्य में, ML किट आपके कस्टम मॉडल पर API परत के रूप में कार्य करता है, जो कस्टम मॉडल का उपयोग करने में शामिल कुछ भारी उठाने को सरल करता है। सबसे विशेष रूप से, एमएल किट आपके मॉडल के नवीनतम संस्करण को स्वचालित रूप से आपके उपयोगकर्ताओं के लिए धकेल देगा, इसलिए आपको अपना मॉडल अपडेट करने के लिए हर बार अपने ऐप को अपडेट नहीं करना होगा।

सर्वोत्तम संभव उपयोगकर्ता अनुभव प्रदान करने के लिए, आप उन शर्तों को निर्दिष्ट कर सकते हैं जो पूरी होनी चाहिए, इससे पहले कि आपका आवेदन आपके TensorFlow Lite मॉडल के नए संस्करण डाउनलोड करेगा, उदाहरण के लिए केवल डिवाइस को निष्क्रिय करने, चार्ज करने या वाई से कनेक्ट होने पर मॉडल को अपडेट करना फाई। यहां तक ​​कि आप अन्य Firebase सेवाओं के साथ ML Kit और TensorFlow Lite का भी उपयोग कर सकते हैं, उदाहरण के लिए Firebase Remote Config और Firebase A / B टेस्टिंग का उपयोग करके विभिन्न मॉडलों को उपयोगकर्ताओं के विभिन्न सेटों की सेवा के लिए।

यदि आप पूर्व-निर्मित मॉडल से आगे बढ़ना चाहते हैं, या एमएल किट के मौजूदा मॉडल आपकी आवश्यकताओं को पूरा नहीं करते हैं, तो आप आधिकारिक फायरबेस डॉक्स पर अपने मशीन सीखने के मॉडल बनाने के बारे में अधिक जान सकते हैं।

समेट रहा हु

इस लेख में, हमने Google के मशीन लर्निंग किट के प्रत्येक घटक को देखा, और कुछ सामान्य परिदृश्यों को कवर किया, जहाँ आप प्रत्येक एमएल किट एपीआई का उपयोग करना चाह सकते हैं।

Google भविष्य में अधिक API जोड़ने की योजना बना रहा है, इसलिए आप कौन सी मशीन लर्निंग APIs को अगले ML किट में जोड़ा जाना चाहेंगे? नीचे टिप्पणी करके हमें बताएं!