ابزارها و چارچوب هایی که برنامه های Google را تقویت می کنند
پشته لبه هوش مصنوعی کامل را با محصولات در هر سطح کاوش کنید - از APIهای کم کد گرفته تا کتابخانه‌های شتاب ویژه سخت‌افزار.
وظایف MediaPipe
به سرعت ویژگی‌های هوش مصنوعی را در برنامه‌های تلفن همراه و وب با استفاده از APIهای کم‌کد برای کارهای متداول شامل هوش مصنوعی، بینایی رایانه، متن و صدا ایجاد کنید.
هوش مصنوعی مولد
با استفاده از APIهای آماده، مدل‌های زبان و تصویر را مستقیماً در برنامه‌های خود ادغام کنید.
چشم انداز
طیف وسیعی از وظایف بینایی را که شامل تقسیم‌بندی، طبقه‌بندی، تشخیص، تشخیص و نشانه‌های بدن می‌شود، کاوش کنید.
متن و صوت
متن و صدا را در بسیاری از دسته‌ها از جمله زبان، احساسات و دسته‌های سفارشی خود طبقه‌بندی کنید.
شروع کنید
مستندات وظایف
همه کارهای MediaPipe کم کد آماده ما را با اسناد و نمونه کد پیدا کنید.
وظایف هوش مصنوعی مولد
با وظایف هوش مصنوعی مولد MediaPipe، LLM و مدل‌های انتشار را در لبه اجرا کنید.
دموها را امتحان کنید
کتابخانه MediaPipe Tasks ما را کاوش کنید و خودتان آنها را امتحان کنید.
مستندات سازنده مدل
مدل های موجود در وظایف MediaPipe ما را با داده های خود سفارشی کنید.
چارچوب MediaPipe
یک چارچوب سطح پایین مورد استفاده برای ساخت خطوط لوله ML شتاب‌دار با کارایی بالا، که اغلب شامل چندین مدل ML همراه با پردازش قبل و بعد است.
ابزارها و چارچوب هایی که برنامه های Google را تقویت می کنند
پشته لبه هوش مصنوعی کامل را با محصولات در هر سطح کاوش کنید - از APIهای کم کد گرفته تا کتابخانه‌های شتاب ویژه سخت‌افزار.
وظایف MediaPipe
به سرعت ویژگی‌های هوش مصنوعی را در برنامه‌های تلفن همراه و وب با استفاده از APIهای کم‌کد برای کارهای متداول شامل هوش مصنوعی، بینایی رایانه، متن و صدا ایجاد کنید.
هوش مصنوعی مولد
با استفاده از APIهای آماده، مدل‌های زبان و تصویر را مستقیماً در برنامه‌های خود ادغام کنید.
چشم انداز
طیف وسیعی از وظایف بینایی را که شامل تقسیم‌بندی، طبقه‌بندی، تشخیص، تشخیص و نشانه‌های بدن می‌شود، کاوش کنید.
متن و صوت
متن و صدا را در بسیاری از دسته‌ها از جمله زبان، احساسات و دسته‌های سفارشی خود طبقه‌بندی کنید.
شروع کنید
مستندات وظایف
همه کارهای MediaPipe کم کد آماده ما را با اسناد و نمونه کد پیدا کنید.
وظایف هوش مصنوعی مولد
با وظایف هوش مصنوعی مولد MediaPipe، LLM و مدل‌های انتشار را در لبه اجرا کنید.
دموها را امتحان کنید
کتابخانه MediaPipe Tasks ما را کاوش کنید و خودتان آنها را امتحان کنید.
مستندات سازنده مدل
مدل های موجود در وظایف MediaPipe ما را با داده های خود سفارشی کنید.
چارچوب MediaPipe
یک چارچوب سطح پایین مورد استفاده برای ساخت خطوط لوله ML شتاب‌دار با کارایی بالا، که اغلب شامل چندین مدل ML همراه با پردازش قبل و بعد است.
چگونه مدل هوش مصنوعی خود را به دستگاه های اندرویدی بیاوریم
2 اکتبر 2024
Gemini Nano اکنون از طریق دسترسی آزمایشی در اندروید در دسترس است
1 اکتبر 2024
TensorFlow Lite اکنون LiteRT است
4 سپتامبر 2024
[[["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"]],[],[],[],null,["Deploy AI across mobile, web, and embedded applications\n\n - \n\n On device\n\n Reduce latency. Work offline. Keep your data local \\& private.\n- \n - \n\n Cross-platform\n\n Run the same model across Android, iOS, web, and embedded.\n- \n - \n\n Multi-framework\n\n Compatible with JAX, Keras, PyTorch, and TensorFlow models.\n- \n - \n\n Full AI edge stack\n\n Flexible frameworks, turnkey solutions, hardware accelerators\n\nReady-made solutions and flexible frameworks \n\nLow-code APIs for common AI tasks\n\nCross-platform APIs to tackle common generative AI, vision, text, and audio tasks.\n[Get started with MediaPipe tasks](https://ai.google.dev/edge/mediapipe/solutions/guide) \n\nDeploy custom models cross-platform\n\nPerformantly run JAX, Keras, PyTorch, and TensorFlow models on Android, iOS, web, and embedded devices, optimized for traditional ML and generative AI.\n[Get started with LiteRT](https://ai.google.dev/edge/litert) \n\nShorten development cycles with visualization\n\nVisualize your model's transformation through conversion and quantization. Debug hotspots by\noverlaying benchmarks results.\n[Get started with Model Explorer](https://ai.google.dev/edge/model-explorer) \n\nBuild custom pipelines for complex ML features\n\nBuild your own task by performantly chaining multiple ML models along with pre and post processing\nlogic. Run accelerated (GPU \\& NPU) pipelines without blocking on the CPU.\n[Get started with MediaPipe Framework](https://ai.google.dev/edge/mediapipe/framework) \n\nThe tools and frameworks that power Google's apps \nExplore the full AI edge stack, with products at every level --- from low-code APIs down to hardware specific acceleration libraries. \n\nMediaPipe Tasks \nQuickly build AI features into mobile and web apps using low-code APIs for common tasks spanning generative AI, computer vision, text, and audio. \nGenerative AI\n\nIntegrate generative language and image models directly into your apps with ready-to-use APIs. \nVision\n\nExplore a large range of vision tasks spanning segmentation, classification, detection, recognition, and body landmarks. \nText \\& audio\n\nClassify text and audio across many categories including language, sentiment, and your own custom categories. \nGet started \n[Tasks documentation\nFind all of our ready-made low-code MediaPipe Tasks with documentation and code samples.](https://ai.google.dev/edge/mediapipe/solutions/guide) \n[Generative AI tasks\nRun LLMs and diffusion models on the edge with our MediaPipe generative AI tasks.](https://ai.google.dev/edge/mediapipe/solutions/genai/llm_inference) \n[Try demos\nExplore our library of MediaPipe Tasks and try them yourself.](https://goo.gle/mediapipe-studio) \n[Model maker documentation\nCustomize the models in our MediaPipe Tasks with your own data.](https://ai.google.dev/edge/mediapipe/solutions/model_maker) \n\nMediaPipe Framework \nA low level framework used to build high performance accelerated ML pipelines, often including multiple ML models combined with pre and post processing. \n[Get started](https://ai.google.dev/edge/mediapipe/framework) \n\nLiteRT \nDeploy AI models authored in any framework across mobile, web, and microcontrollers with optimized hardware specific acceleration. \nMulti-framework\n\nConvert models from JAX, Keras, PyTorch, and TensorFlow to run on the edge. \nCross-platform\n\nRun the same exact model on Android, iOS, web, and microcontrollers with native SDKs. \nLightweight \\& fast\n\nLiteRT's efficient runtime takes up only a few megabytes and enables model acceleration across CPU, GPU, and NPUs. \nGet started \n[Pick a model\nPick a new model, retrain an existing one, or bring your own.](https://ai.google.dev/edge/litert/models/trained) \n[Convert\nConvert your JAX, Keras, PyTorch, or Tensorflow model into an optimized LiteRT model.](https://ai.google.dev/edge/litert/models/convert_to_flatbuffer) \n[Deploy\nRun a LiteRT model on Android, iOS, web, and microcontrollers.](https://ai.google.dev/edge/litert#integrate-model) \n[Quantize\nCompress your model to reduce latency, size, and peak memory.](https://ai.google.dev/edge/litert/models/model_optimization) \n\nModel Explorer \nVisually explore, debug, and compare your models. Overlay performance benchmarks and numerics to pinpoint troublesome hotspots. \n[Get started](https://ai.google.dev/edge/model-explorer) \n\nGemini Nano in Android \\& Chrome \nBuild generative AI experiences using Google's most powerful, on-device model \n[Learn more about Android AICore](https://developer.android.com/ai/aicore) [Learn more about Chrome Built-In AI](https://developer.chrome.com/docs/ai) \n\nRecent videos and blog posts \n[A walkthrough for Android's on-device GenAI solutions\n1 October 2024](https://www.youtube.com/watch?v=EpKghZYqVW4) \n[How to bring your AI Model to Android devices\n2 October 2024](https://android-developers.googleblog.com/2024/10/bring-your-ai-model-to-android-devices.html) \n[Gemini Nano is now available on Android via experimental access\n1 October 2024](https://android-developers.googleblog.com/2024/10/gemini-nano-experimental-access-available-on-android.html) \n[TensorFlow Lite is now LiteRT\n4 September 2024](https://developers.googleblog.com/en/tensorflow-lite-is-now-litert)"]]
وظایف MediaPipe
