迁移到 Android

更新 Gradle 导入

新的 SDK 只需要每个机器学习套件 API 一个依赖项。您无需指定 firebase-ml-vision 或 firebase-ml-natural-language 等常用库。 机器学习套件对依赖于 Google Play 服务的库使用 com.google.android.gms 命名空间。

Vision API

捆绑模型作为应用的一部分提供。必须下载瘦模型。 有些 API 同时以捆绑形式和精简形式提供，而其他 API 仅以一种形式提供 或另一个：

更新模块中 Android 机器学习套件库的依赖项 (app- Gradle 文件（通常为 app/build.gradle）。

捆绑模型

瘦模型

AutoMLVision Edge

Natural Language API

捆绑模型作为应用的一部分提供。必须下载瘦模型：

更新模块中 Android 机器学习套件库的依赖项 (app- Gradle 文件（通常为 app/build.gradle）。

捆绑模型

瘦模型

更新类名称

如果您的课程显示在此表格中，请进行所示的更改：

对于其他类，请遵循以下规则：

• 从类名称中移除 FirebaseVision 前缀。
• 从类名称中移除以 Firebase 前缀开头的其他前缀。

此外，还要替换软件包名称中的 com.google.firebase.ml 前缀 和com.google.mlkit。

更新方法名称

我们对代码进行了细微更改：

• 检测器/扫描仪/标签添加器/翻译器...实例化已更改。每个功能现在都有自己的入口点。例如：BarcodeScanning、TextRecognition、ImageLabeling、Translation...。对 Firebase 服务 getInstance() 的调用已替换为对功能入口点的 getClient() 方法的调用。
• 由于我们引入了其他脚本（如中文和韩语）来识别其他脚本，因此移除了 TextRecognitionr 的默认实例化。若要将默认选项用于拉丁字母文本识别模型，请声明对 com.google.android.gms:play-services-mlkit-text-recognition 的依赖并使用 TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS)。
• 移除了 ImageLabeler 和 ObjectDetector 的默认实例化，因为我们为这两项特征引入了自定义模型支持。例如，如需在 ImageLabeling 中使用基本模型的默认选项，请声明对 com.google.mlkit:image-labeling 的依赖项，并在 Java 中使用 ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)。
• 所有手柄（检测器/扫描仪/标签添加器/翻译器...）都可以关闭。确保在不再使用这些对象时调用 close() 方法。如果您要在 Fragment 或 AppCompatActivity 中使用它们，一种简单的方法是对 Fragment 或 AppCompatActivity 调用 LifecycleOwner.getLifecycle()，然后调用 Lifecycle.addObserver
• 为保持一致性，Vision API 中的 processImage() 和 detectInImage() 已重命名为 process() 。
• Natural Language API 现在使用术语“语言标记”（由 BCP 47 标准定义），而不是“语言代码”。
• 移除了 xxxOptions 类中的 getter 方法。
• 不再支持 InputImage 类中的 getBitmap() 方法（用于替换 FirebaseVisionImage）。如需获取从各种输入转换的位图，请参阅机器学习套件快速入门示例中的 BitmapUtils.java。
• FirebaseVisionImageMetadata 已被移除，您只需将宽度、高度、rotationDegrees、格式等图片元数据传递到 InputImages 的构建方法中即可。

以下是新旧 Kotlin 方法的一些示例：

// Construct image labeler with base model and default options.
val imageLabeler = FirebaseVision.getInstance().onDeviceImageLabeler

// Construct object detector with base model and default options.
val objectDetector = FirebaseVision.getInstance().onDeviceObjectDetector

// Construct face detector with given options
val faceDetector = FirebaseVision.getInstance().getVisionFaceDetector(options)

// Construct image labeler with local AutoML model
val localModel =
    FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build()
val autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build()
    )

// Construct image labeler with base model and default options.
val imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS)
// Optional: add life cycle observer
lifecycle.addObserver(imageLabeler)

// Construct object detector with base model and default options.
val objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS)

// Construct face detector with given options
val faceDetector = FaceDetection.getClient(options)

// Construct image labeler with local AutoML model
val localModel =
  LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build()
val autoMLImageLabeler =
  ImageLabeling.getClient(
    CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build())
  

以下是新旧 Java 方法的一些示例：

// Construct image labeler with base model and default options.
FirebaseVisionImageLabeler imagelLabeler =
     FirebaseVision.getInstance().getOnDeviceImageLabeler();

// Construct object detector with base model and default options.
FirebaseVisionObjectDetector objectDetector =
     FirebaseVision.getInstance().getOnDeviceObjectDetector();

// Construct face detector with given options
FirebaseVisionFaceDetector faceDetector =
     FirebaseVision.getInstance().getVisionFaceDetector(options);

// Construct image labeler with local AutoML model
FirebaseAutoMLLocalModel localModel =
    new FirebaseAutoMLLocalModel.Builder()
      .setAssetFilePath("automl/manifest.json")
      .build();
FirebaseVisionImageLabeler autoMLImageLabeler =
    FirebaseVision.getInstance()
      .getOnDeviceAutoMLImageLabeler(
          FirebaseVisionOnDeviceAutoMLImageLabelerOptions.Builder(localModel)
            .setConfidenceThreshold(0.3F)
            .build());

// Construct image labeler with base model and default options.
ImageLabeler imageLabeler = ImageLabeling.getClient(ImageLabelerOptions.DEFAULT_OPTIONS);
// Optional: add life cycle observer
getLifecycle().addObserver(imageLabeler);

// Construct object detector with base model and default options.
ObjectDetector objectDetector = ObjectDetection.getClient(ObjectDetectorOptions.DEFAULT_OPTIONS);

// Construct face detector with given options
FaceDetector faceDetector = FaceDetection.getClient(options);

// Construct image labeler with local AutoML model
LocalModel localModel =
  new LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    .build();
ImageLabeler autoMLImageLabeler =
  ImageLabeling.getClient(
    new CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.3F).build());
  

特定于 API 的更改

条形码扫描

对于 Barcode Scanning API，现在可以通过两种方式提交模型：

• 通过 Google Play 服务（也称为“thin”）（推荐）- 这样可以减小应用大小，并且模型可以在应用之间共享。不过，开发者需要确保在首次使用模型之前，模型已下载完毕。
• 使用应用的 APK（也称为“捆绑”）- 这会增加应用大小，但也意味着模型可以立即使用。

这两种实现略有不同，与“瘦”版本相比，“捆绑式”版本有很多改进。如需详细了解这些差异，请参阅 Barcode Scanning API 指南。

人脸检测

对于 Face Detection API，您可以通过以下两种方式交付模型：

• 通过 Google Play 服务（也称为“thin”）（推荐）- 这样可以减小应用大小，并且模型可以在应用之间共享。不过，开发者需要确保在首次使用模型之前，模型已下载完毕。
• 使用应用的 APK（也称为“捆绑”） - 这会增加应用下载大小，但意味着模型可以立即使用。

实现的行为相同。

翻译

• TranslateLanguage 现在为其常量使用可读名称（例如 ENGLISH），而不是语言标记 (EN)。它们现在也为 @StringDef（而不是 @IntDef），并且该常量的值是匹配的 BCP 47 语言标记。

• 如果您的应用使用“设备空闲”下载条件选项，请注意此选项已被移除，无法再使用。你仍然可以使用“设备充电”选项。如果您希望实现更复杂的行为，可以延迟调用 RemoteModelManager.download，将其隐藏在您自己的逻辑之后。

AutoML Image Labeling

如果您的应用使用“设备空闲”下载条件选项，请注意 选项已被移除，无法再使用。您仍然可以使用 “设备充电”选项

如果您需要更复杂的行为，可以延迟调用 RemoteModelManager.download。

对象检测和跟踪

如果您的应用将对象检测用于粗分类，请注意 新的 SDK 更改了为已检测到的事件返回分类类别的方式， 对象的操作。

分类类别作为 DetectedObject.Label，而不是整数。所有可能的类别 PredefinedCategory 类中包含粗分类器。

以下是新旧 Kotlin 代码示例：

if (object.classificationCategory == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

if (!object.labels.isEmpty() && object.labels[0].text == PredefinedCategory.FOOD) {
    ...
}
// or
if (!object.labels.isEmpty() && object.labels[0].index == PredefinedCategory.FOOD_INDEX) {
    ...
}

以下是新旧 Java 代码示例：

if (object.getClassificationCategory() == FirebaseVisionObject.CATEGORY_FOOD) {
    ...
}

if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getText().equals(PredefinedCategory.FOOD)) {
    ...
}
// or
if (!object.getLabels().isEmpty()
    && object.getLabels().get(0).getIndex() == PredefinedCategory.FOOD_INDEX) {
    ...
}

“未知”类别已被移除。当某个对象的分类置信度较低时，我们不会返回任何标签。

移除 Firebase 依赖项（可选）

只有在符合以下条件时，此步骤才适用：

• Firebase ML Kit 是您使用的唯一 Firebase 组件。
• 您只能使用设备端 API。
• 您没有使用模型服务。

如果是这种情况，您可以在迁移后移除 Firebase 依赖项。 请按照以下步骤操作：

• 通过删除应用的模块（应用级）目录中的 google-services.json 配置文件来移除 Firebase 配置文件。
• 将模块（应用级）Gradle 文件（通常为 app/build.gradle）中的 Google 服务 Gradle 插件替换为严格版本匹配器插件：

apply plugin: 'com.android.application'
apply plugin: 'com.google.gms.google-services'  // Google Services plugin

android {
  // …
}

apply plugin: 'com.android.application'
apply plugin: 'com.google.android.gms.strict-version-matcher-plugin'

android {
  // …
}

• 将项目（根级）Gradle 文件 (build.gradle) 中的 Google 服务 Gradle 插件类路径替换为严格版本匹配器插件的类路径：

buildscript {
  dependencies {
    // ...

    classpath 'com.google.gms:google-services:4.3.3'  // Google Services plugin
  }
}

buildscript {
  dependencies {
    // ...

    classpath 'com.google.android.gms:strict-version-matcher-plugin:1.2.1'
  }
}

按照以下提示在 Firebase 控制台上删除您的 Firebase 应用： 请参阅 Firebase 支持网站上的说明。

获取帮助

如果您遇到任何问题，请访问我们的社区页面，其中概述了 与我们联系的途径。