Local blog covering the latest news, updates, and stories for Indonesian speaking developers.
Hal-hal Penting Dalam TensorFlow Dev Summit Untuk Developer Android
03 April 2019
TensorFlow Dev Summit
Dua minggu lalu di TensorFlow Dev Summit, sejumlah perkembangan baru yang menarik untuk Android (
rekaman sesi
) diumumkan. Mereka termasuk akselerasi delegasi GPU (2-7x lebih cepat vs CPU), dokumentasi yang diperluas dan code lab baru yang menunjukkan cara menggunakan model TensorFlow Lite di Android. Postingan ini menyoroti beberapa pengumuman ini dan juga merangkum beberapa percakapan menarik yang saya lakukan dengan developer.
Akselerasi GPU menghadirkan ML pada-perangkat ke banyak orang
Tajuk machine learning sering kali berfokus pada terobosan terbaru mengenai perangkat terbaru dan paling kuat. Untuk developer seluler, yang sebenarnya paling penting adalah mampu memberikan pengalaman pengguna yang baik di berbagai ponsel. Itulah sebabnya developer Android yang saya ajak bicara sangat bersemangat tentang seberapa besar
delegasi GPU TensorFlow Lite
eksperimental baru bisa mempercepat inferensi (menjalankan model ML) pada perangkat dengan OpenGL ES 3.1, yang diperkenalkan sebagai bagian dari Android API Level 21 (Lollipop).
Untuk menggunakannya, developer harus mengupdate file build.gradle aplikasi mereka:
<a href="https://medium.com/media/443e6e68cd841418443d9fde97eba47e/href">https://medium.com/media/443e6e68cd841418443d9fde97eba47e/href</a>
Saat mengimpor interpreter model TensorFlow, gunakan kode berikut:
<a href="https://medium.com/media/63bf8509b8888d3a4fdb50475296904d/href">https://medium.com/media/63bf8509b8888d3a4fdb50475296904d/href</a>
Fungsionalitas ini bersifat eksperimental dan tim TensorFlow sangat menantikan
masukan komunitas developer
tentang bagaimana ini bisa semakin ditingkatkan. Selain itu, tim sedang bekerja untuk segera membuatnya open source. Detail selengkapnya bisa dibaca di
entri blog peluncuran delegasi GPU
.
Dokumentasi yang diperluas dan contoh Android baru
Tim TensorFlow memperluas dokumentasi mereka sebagai bagian dari rilis alfa TensorFlow 2.0. Favorit pribadi saya adalah
bagian contoh TensorFlow Lite
yang baru. Di sini Anda akan menemukan berbagai contoh Android (dan iOS) untuk mengintegrasikan berbagai jenis model termasuk
deteksi objek
dan
pengenalan ucapan
. Sebelum contoh ini ada, tugas-tugas seperti transformasi gambar (untuk menggambar hasil analisis di atas gambar kamera) bisa rumit diterapkan. Sekarang lebih mudah. Misalnya,
contoh deteksi objek
dilengkapi dengan
kode pelacak
dan
utilitas gambar
untuk transformasi umum.
Contoh TensorFlow Lite
TensorFlow Lite, ML Kit dan NNAPI
Google menyediakan berbagai macam produk developer machine learning pada-perangkat. Bagi kebanyakan developer, dua titik awal untuk memulai adalah:
ML Kit Base API
jika salah satu model pada-perangkat Google, seperti pengenalan teks, deteksi wajah, dll. (
daftar model yang didukung
), sesuai dengan kebutuhan Anda, atau
TensorFlow
untuk menggunakan model lain yang sudah dilatih sebelumnya atau untuk membangun dan melatih model Anda sendiri
Jika Anda ingin menggali lebih dalam tentang cara menggunakan TensorFlow (dan fitur ML lainnya), berikut adalah ringkasan yang lebih terperinci tentang opsi pengembangan Anda (dalam urutan kompleksitas):
Gunakan model Google yang sudah dilatih sebelumnya (mis. deteksi wajah) —
ML Kit Base API
Gunakan model lain yang sudah dilatih sebelumnya— Developer bisa menggunakan model TensorFlow Lite yang sudah dilatih sebelumnya, seperti
estimasi pose
(deteksi tubuh dan anggota badan) dan
segmentasi gambar
(orang vs latar belakang)
Buat model kustom Anda sendiri:
Melatih model kustom —
TensorFlow
Mengonversi dan menjalankan model yang sudah jadi pada perangkat Android / iOS / IoT —
TensorFlow Lite
Menayangkan model TensorFlow Lite yang sudah dikonversi ke pengguna akhir —
penayangan model Kustom ML Kit
Tulis framework machine learning Anda sendiri —
Android Neural Networks API (NNAPI)
Semua produk ini bekerja bersama untuk memberikan pengalaman end-to-end bagi developer. Misalnya, ML Kit Base API menggunakan model TensorFlow Lite di belakang layar untuk memberikan model terlatih Google ke aplikasi Anda. Ketika model TensorFlow Lite ini berjalan di perangkat seluler, kinerjanya ditingkatkan melalui NNAPI.
Interaksi antara developer dengan NNAPI sangat jarang diperlukan. Satu-satunya pengecualian adalah jika Anda ingin membuat framework machine learning Anda sendiri.
Kasus-penggunaan yang baru, pada-perangkat
Perluasan kemampuan TensorFlow pada-perangkat memberikan peluang baru bagi developer seluler dalam dua cara:
1. Menjalankan model yang lebih kuat pada-perangkat
Di TensorFlow Dev Summit, kami menunjukkan
contoh deteksi objek
di mana model tidak hanya mendeteksi objek tetapi juga menampilkan lokasi objek dalam gambar.
Sejumlah peserta dikejutkan oleh betapa kuatnya perangkat seluler (Android dan iOS) sehingga fungsionalitas tersebut mampu tersedia pada-perangkat. Ada banyak keuntungan dengan menjalankan model pada-perangkat seperti akses offline dan privasi. Keuntungan lain dari menjalankan model secara lokal adalah mengurangi latensi, sehingga memungkinkan pengalaman realtime.
2. Seluler sebagai perangkat ML serbaguna
Selama bertahun-tahun, ada harapan bahwa perangkat Internet of Things (IoT), seperti mesin industri atau gadget smart home, dapat membawa
ML ke birai internet
. Ini semakin terdorong dengan diperkenalkannya
Edge TPUs
di Dev Summit. Menariknya bagi saya adalah bahwa perangkat IoT ini cenderung bertujuan tunggal — mis. menyortir ukuran alpukat, atau mengatur suhu ruangan yang nyaman. Ini adalah jenis kasus penggunaan amat penting yang telah dipikirkan industri untuk waktu yang lama.
Apa yang baru adalah bahwa dengan platform seluler seperti Android, kami tiba-tiba memiliki perangkat ML serbaguna. ML bisa membantu pengguna mencatat log aktivitas fisik selama satu menit kemudian memindai SIM di waktu yang lain. Peluang seperti ini tampaknya masih kurang dieksplorasi. Dengan seluler+ML, akan ada pola desain baru dan aplikasi Android baru.
Cara terbaik untuk belajar adalah mencoba
Banyak peserta yang saya temui lebih terbiasa memikirkan ML dalam istilah superkomputer, bukan seluler. Mereka sangat bersemangat melihat platform baru yang menyediakan machine learning pada-perangkat dan menjanjikan penemuan baru yang akan segera datang.
Saya mendorong developer Android untuk memeriksa contoh Android guna merasakan apa yang bisa dilakukan dengan hal ini:
Contoh ML Kit Quickstart
— coba semua ML Kit API dalam satu contoh
Contoh Deteksi Objek TensorFlow Lite Baru
Machine learning pada-perangkat lebih mudah diakses dan lebih mudah dimulai daripada sebelumnya. Lain kali Anda dihadapkan dengan masalah, ML pada-perangkat mungkin bisa menjadi solusi.
Labels
#GoogleforGames
#JetpackCompose
#TheAndroidShow
#WeArePlay
10 years
64bit
actions on google
ad blocking
admob
Ads
adventure games
agency
AI
amp
android
android 13
Android 14
Android 15
Android betas
android dev summit
android developers
android development
Android Emulator
Android Jetpack
Android release
android sdk
android studio
Android Studio Emulator
android studio flamingo
Android Studio Iguana
Android UI
androidstudio
anniversary
announcement
anthos
apac
api
aplikasi
App
app development
Apps
arcore
Artificial Intelligence
assistant
augmented reality
bangkit
Baseline Profiles
beginner
best practices
beta
big query
CameraX
case study
chrome
chrome ads
chrome os
Cloud
coalition
coalition for better ads
compose
conferencing
coroutine
DAC/Develop
DAC/Google
dart
data
data binding
data flow
data science
develop
developer
Developer Preview
developer stories
developer tools
developer wear os 4
developers
dialogflow
documentation
domains
doubleclick
ecosystem
emojis
entepreneur
entrepreneurs
events
explore
featured
film
firebase
flutter
flutter 3
flutter app development
flutter3
foldables
game
Game Development
Games
Gemini
Gemini Pro
Generative AI
Global Game Jam
gmail
google
google bisnisku
google cloud
google code-in
google design
Google Developers
google font
google for entrepreneurs
Google for Games Developer Summit
google io
google maps
google partners
google photos
google pixel
google pixel fold
google pixel tablet
google play
Google Play Academy
Google Play Console
Google Play Developers
Google Play Devs
Google Play Indie games accelerator
google play policy
Google Play x Unity Game Developer Training
google sign-in
googleforstartup
GooglePlay
graphics
gsuite
how to
how-to guide
hybrid interface
indie developers
indie game developers
indie games
Indie Games Accelerator
indonesia
insight
ios
Javascript
jetpack
jetpack compose
jetpack compose 1.5
JuaraGCP
kebijakan
kotlin
kubernetes
latest
launchpad
launchpad accelerator
Learn
Localization
lyft
Machine
machine learning
MAD
material design
meet
Meta
mobile
Mobile App Development
mobile games
modifier
now
OnePlus
opensource
pagespeed
partial
PGS
Pixel Fold AVD
Pixel Tablet AVD
platform
Platform_Update
play console
play privacy
play quality
play security
play store
Policy Bytes
Policy webinar
privacy
Problem Solving
Productivity
progressive web app
Project IDX
python
release notes
releases
reporting api
roadmaps
screen
screensharing
security
shapes
Sharing
small business
Solve
spotify
startup
student developers
subs
success stories
Tablets
tensorflow
testing
text-to-speech
The Android Show
theandroidshow
training
transparency
tutorial
Tutorials
twitter
update
usecase
users
Video
videocall
vr
Wear OS
web
windowmanager
workmanager
Archive
2024
Mar
Feb
Jan
2023
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2022
Dec
Nov
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2021
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2020
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2019
Dec
Nov
Oct
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2018
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2017
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2016
Dec
Nov
Subscribe
Follow @googledevsid
Visit
Google Developers
for docs, event info, and more.
