يمكنك تشغيل نماذج JAX وKeras وPyTorch وTensorFlow بأداء عالٍ على أجهزة Android وiOS والويب والأجهزة المضمّنة، وهي محسّنة لتقنيات تعلُّم الآلة التقليدية والذكاء الاصطناعي التوليدي.
يمكنك إنشاء مهمتك الخاصة من خلال ربط نماذج تعلُّم آلة متعددة بأداء عالٍ مع منطق المعالجة التمهيدية واللاحقة. تشغيل مسارات معالجة مُسرَّعة (باستخدام وحدة معالجة الرسومات ووحدة المعالجة العصبية) بدون حظر وحدة المعالجة المركزية
استكشِف حِزمة الذكاء الاصطناعي (AI) الكاملة للأجهزة الطرفية، مع المنتجات على جميع المستويات، بدءًا من واجهات برمجة التطبيقات ذات الرموز البرمجية المنخفضة وصولاً إلى مكتبات التسريع الخاصة بالأجهزة.
MediaPipe Tasks
يمكنك إنشاء ميزات الذكاء الاصطناعي بسرعة في تطبيقات الأجهزة الجوّالة والويب باستخدام واجهات برمجة التطبيقات التي تستخدم رمزًا برمجيًا بسيطًا للمهام الشائعة التي تشمل الذكاء الاصطناعي التوليدي وأدوات الرؤية الحاسوبية والنصوص والمحتوى الصوتي.
الذكاء الاصطناعي التوليدي
يمكنك دمج نماذج اللغة والصور التوليدية مباشرةً في تطبيقاتك باستخدام واجهات برمجة تطبيقات جاهزة للاستخدام.
البصر
استكشِف مجموعة كبيرة من مهام الرؤية التي تشمل التقسيم والتصنيف والاكتشاف والتعرّف على معالم الجسم.
النص والصوت
تصنيف النصوص والمحتوى الصوتي ضمن العديد من الفئات، بما في ذلك اللغة والمشاعر والفئات المخصّصة
يمكنك نشر نماذج الذكاء الاصطناعي التي تم إنشاؤها في أي إطار عمل على الأجهزة الجوّالة والويب ووحدات التحكّم الصغيرة باستخدام ميزة تسريع محسّن للأجهزة.
إطارات عمل متعددة
تحويل النماذج من JAX وKeras وPyTorch وTensorFlow لتشغيلها على الأجهزة الطرفية
عبر أنظمة أساسية متعددة
يمكنك تشغيل النموذج نفسه على أجهزة Android وiOS والويب وأجهزة التحكم الدقيقة باستخدام حِزم تطوير البرامج (SDK) الأصلية.
خفيفة وسريعة
لا تستهلك بيئة التشغيل الفعّالة في LiteRT سوى بضعة ميغابايت، كما تتيح تسريع النموذج على مستوى وحدة المعالجة المركزية ووحدة معالجة الرسومات ووحدات المعالجة العصبية.
[[["يسهُل فهم المحتوى.","easyToUnderstand","thumb-up"],["ساعَدني المحتوى في حلّ مشكلتي.","solvedMyProblem","thumb-up"],["غير ذلك","otherUp","thumb-up"]],[["لا يحتوي على المعلومات التي أحتاج إليها.","missingTheInformationINeed","thumb-down"],["الخطوات معقدة للغاية / كثيرة جدًا.","tooComplicatedTooManySteps","thumb-down"],["المحتوى قديم.","outOfDate","thumb-down"],["ثمة مشكلة في الترجمة.","translationIssue","thumb-down"],["مشكلة في العيّنات / التعليمات البرمجية","samplesCodeIssue","thumb-down"],["غير ذلك","otherDown","thumb-down"]],[],[],[],null,["# Google AI Edge\n\n### 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--------------------------------------------\n\n### Low-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\n### Deploy 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\n### Shorten 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\n### Build 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\n-------------------------------------------------\n\nExplore the full AI edge stack, with products at every level --- from low-code APIs down to hardware specific acceleration libraries. \n\nMediaPipe Tasks\n---------------\n\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\n-------------------\n\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\n------\n\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\n--------------\n\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\n--------------------------------\n\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----------------------------\n\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)"]]
MediaPipe Tasks
LiteRT
مستكشف النماذج
