मोबाइल डेवलपमेंट में डिवाइस पर ML: यह क्या है, कौन से फ्रेमवर्क और यह कैसे काम करता है

Q: Core ML, TensorFlow Lite से कैसे अलग है?

Core ML iOS और macOS के लिए Neural Engine त्वरण के साथ Apple का फ्रेमवर्क है। TensorFlow Lite Android, iOS और Linux के लिए Google का क्रॉस-प्लेटफ़ॉर्म समाधान है। Core ML Apple उपकरणों पर बेहतर प्रदर्शन देता है, TFLite बहुमुखी प्रतिभा देता है।

Q: ML Kit कौन से कार्य हल करता है?

ML Kit सामान्य कंप्यूटर विज़न और NLP कार्यों को हल करता है: टेक्स्ट, चेहरे, बारकोड, वस्तु और मुद्रा पहचान। सभी API बिना इंटरनेट के डिवाइस पर काम करते हैं और स्वयं का मॉडल बनाने की आवश्यकता नहीं होती।

Q: क्या on-device ML के लिए इंटरनेट आवश्यक है?

नहीं, on-device ML पूरी तरह से स्थानीय रूप से काम करता है। मॉडल डिवाइस पर लोड होते हैं और बिना इंटरनेट कनेक्शन के निष्पादित होते हैं। ML Kit उच्च सटीकता वाले क्लाउड-आधारित API संस्करण भी प्रदान करता है, लेकिन on-device मोड ऑफ़लाइन उपलब्ध है।

Q: मोबाइल डेवलपमेंट में ML के लिए कौन सा फ्रेमवर्क चुनें?

केवल iOS के लिए Core ML चुनें — यह Neural Engine का उपयोग करता है और Apple इकोसिस्टम से निकटता से एकीकृत है। क्रॉस-प्लेटफ़ॉर्म परियोजनाओं के लिए TensorFlow Lite चुनें। कस्टम मॉडल के बिना सामान्य कार्यों के लिए तैयार API वाला ML Kit चुनें।

लेखक: IT Sectr प्रकाशित: 2026-07-29 पढ़ने का समय: 11 मिनट

डिवाइस पर ML (on-device ML) — सर्वर पर डेटा भेजे बिना सीधे मोबाइल डिवाइस पर मशीन लर्निंग मॉडल का निष्पादन। Google AI, 2025 की रिपोर्ट के अनुसार, 70% से अधिक उपयोगकर्ता गोपनीयता और नेटवर्क विलंबता की अनुपस्थिति के कारण on-device ML वाले ऐप्स पसंद करते हैं। Apple का Core ML, Google का TensorFlow Lite और ML Kit Vision, NLP, चेहरे और वस्तु पहचान कार्यों को पूरी तरह से डिवाइस पर हल करने की अनुमति देते हैं — बिना इंटरनेट और न्यूनतम ऊर्जा खपत के साथ।

मुख्य बिंदु

डिवाइस पर ML — सर्वर-साइड डेटा प्रोसेसिंग के बिना सीधे मोबाइल डिवाइस पर मशीन लर्निंग मॉडल चलाना।
Core ML — iOS और macOS के लिए Neural Engine पर हार्डवेयर त्वरण के साथ Apple का फ्रेमवर्क।
TensorFlow Lite — क्वांटाइज़ेशन और GPU, NNAPI, XNNPACK डेलिगेट के साथ Google का क्रॉस-प्लेटफ़ॉर्म समाधान।
ML Kit — मॉडल बनाए बिना टेक्स्ट, चेहरे, बारकोड और वस्तु पहचान के लिए तैयार API वाला SDK।
Vision और NaturalLanguage — छवि और टेक्स्ट विश्लेषण के लिए iOS पर अंतर्निहित ML उपकरण।

डिवाइस पर ML क्या है और मोबाइल ऐप्स में इसकी आवश्यकता क्यों है

डिवाइस पर ML (on-device ML) एक दृष्टिकोण है जिसमें मशीन लर्निंग मॉडल दूरस्थ सर्वर पर डेटा भेजे बिना सीधे मोबाइल डिवाइस पर निष्पादित होते हैं। गोपनीयता मुख्य लाभ है: उपयोगकर्ता डेटा डिवाइस नहीं छोड़ता। Google अनुसंधान (2024) के अनुसार, 63% उपयोगकर्ता उन ML सुविधाओं को अस्वीकार करते हैं जिनमें सर्वर पर डेटा भेजना आवश्यक होता है। On-device ML नेटवर्क विलंबता को समाप्त करता है, ऑफ़लाइन काम करता है और हार्डवेयर त्वरण के माध्यम से ऊर्जा खपत कम करता है।

क्लाउड समाधानों की तुलना में on-device ML के लाभ

On-device ML सेकंड के बजाय मिलीसेकंड में डेटा प्रोसेस करता है — रीयल-टाइम में चेहरे और वस्तु पहचान के लिए महत्वपूर्ण। इंटरनेट कनेक्शन की आवश्यकता नहीं एक और लाभ है: ML सुविधाएँ हवाई जहाज मोड और अस्थिर कनेक्टिविटी वाले क्षेत्रों में उपलब्ध हैं। Core ML Apple A12+ चिप्स में Neural Engine का उपयोग करता है, जो 1 W से कम ऊर्जा खपत पर प्रति सेकंड 11 ट्रिलियन ऑपरेशन प्रदान करता है। मोबाइल ऐप्स के लिए, on-device ML Vision, NLP और वस्तु पहचान कार्यों में डी फैक्टो मानक बन गया है।

मोबाइल ऐप्स में on-device ML के मुख्य परिदृश्य

मोबाइल ऐप्स में ML का उपयोग चेहरा प्रमाणीकरण (Face ID), Snapchat और Instagram में AR फ़िल्टर, Pose Detection के साथ फ़िटनेस ट्रैकर, Adobe Scan में OCR स्कैनिंग और कीबोर्ड में पूर्वानुमानित इनपुट के लिए किया जाता है। विशिष्ट कार्यों के लिए कस्टम मॉडल Core ML (iOS) या TensorFlow Lite (Android) के माध्यम से बनाए जाते हैं। ML Kit सामान्य परिदृश्यों के लिए उपयुक्त है — मॉडल प्रशिक्षित किए बिना टेक्स्ट, चेहरे और बारकोड पहचान।

Core ML: iOS पर डिवाइस पर ML के लिए Apple का फ्रेमवर्क

Core ML iPhone, iPad, Mac और Apple Watch पर ML मॉडल चलाने के लिए Apple का फ्रेमवर्क है। यह स्वचालित रूप से इष्टतम हार्डवेयर त्वरण चुनता है: A12+ वाले उपकरणों पर तंत्रिका नेटवर्क के लिए Neural Engine (11 TOPS), छवि प्रसंस्करण कार्यों के लिए GPU और अनुक्रमिक गणना के लिए CPU। Core ML .mlmodel (मूल) और .mlmodelc (संकलित) प्रारूपों का समर्थन करता है। PyTorch और TensorFlow से मॉडल रूपांतरण coremltools के माध्यम से किया जाता है — एक Python लाइब्रेरी जो टोपोलॉजी और वेट को संरक्षित करती है।

Create ML और coremltools

Create ML कोड लिखे बिना सरल मॉडल प्रशिक्षित करने के लिए Apple का ऐप है। उत्पादन के लिए coremltools का उपयोग किया जाता है — PyTorch, TensorFlow और scikit-learn से रूपांतरण उपकरण। Coremltools float32 → float16 और int8 क्वांटाइज़ेशन, रंग स्थान पैलेटाइज़ेशन और मॉडल आकार कम करने के लिए अतिरिक्त संचालन हटाने का समर्थन करता है।

python

import coremltools as ct

model = ct.convert(
    "resnet50.mlmodel",
    source="pytorch",
    convert_to="mlprogram"
)
model.save("Resnet50.mlpackage")

Neural Engine और Core ML हार्डवेयर त्वरण

Neural Engine Apple A12 और नए चिप्स में एक विशेष न्यूरोप्रोसेसर है। 16 कोर 1 W से कम ऊर्जा खपत पर प्रति सेकंड 11 ट्रिलियन तक ऑपरेशन करते हैं। Core ML स्वचालित रूप से तंत्रिका नेटवर्क गणनाओं को Neural Engine और GPU-संगत गणनाओं को Metal GPU पर रूट करता है। डेवलपर को डिवाइस चुनने की आवश्यकता नहीं है — Core ML मॉडल और उपलब्ध हार्डवेयर का विश्लेषण करके Performance Report के माध्यम से ऐसा करता है।

TensorFlow Lite: Google का क्रॉस-प्लेटफ़ॉर्म डिवाइस पर ML

TensorFlow Lite (TFLite) Android, iOS और Linux पर ML मॉडल चलाने के लिए Google का क्रॉस-प्लेटफ़ॉर्म समाधान है। मॉडल .tflite प्रारूप में होते हैं और TensorFlow इकोसिस्टम से TFLiteConverter के माध्यम से बनाए जाते हैं। TFLite float32 → int8 क्वांटाइज़ेशन का समर्थन करता है, जो वर्गीकरण कार्यों पर 97–99% सटीकता बनाए रखते हुए मॉडल आकार को 4 गुना कम करता है। Google Play Services for TFLite ऐप को पुनः जारी किए बिना स्वचालित रूप से runtime अपडेट करता है।

TFLiteConverter और मॉडल क्वांटाइज़ेशन

TFLiteConverter TensorFlow मॉडल को .tflite प्रारूप में बदलने का मुख्य उपकरण है। प्रशिक्षण के बाद int8 क्वांटाइज़ेशन पूर्ण डेटासेट तक पहुँच के बिना मॉडल को 300 MB से 75 MB तक संपीड़ित करता है। क्वांटाइज़ेशन-जागरूक प्रशिक्षण (QAT) ImageNet पर 1% से कम की न्यूनतम सटीकता हानि देता है। TFLiteConverter ग्राफ़ प्रूनिंग और TFLite runtime द्वारा असमर्थित संचालन हटाने का भी समर्थन करता है।

python

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model(
    "saved_model_dir"
)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

TFLite डेलिगेट: GPU, NNAPI और XNNPACK

डेलिगेट के बिना, TFLite मॉडल को CPU पर हार्डवेयर त्वरण की तुलना में 3–5 गुना धीमा चलाता है। GPU डेलिगेट Android पर OpenCL और OpenGL ES 3.1 का उपयोग करता है, Core ML डेलिगेट iOS पर Neural Engine का उपयोग करता है। NNAPI डेलिगेट Android 8.1+ पर NPU और DSP का लाभ उठाता है। XNNPACK डेलिगेट मोबाइल प्रोसेसर के लिए अनुकूलन के साथ ARM CPU पर क्रॉस-प्लेटफ़ॉर्म त्वरण प्रदान करता है। डेलिगेट चुनने के लिए, परिणाम पर null जाँच के साथ TfLiteGpuDelegate.create() का उपयोग करें।

ML Kit: मोबाइल डेवलपमेंट में ML के लिए तैयार समाधान

ML Kit on-device ML के लिए तैयार API वाला Google का SDK है। मोबाइल ऐप्स में, ML Kit का उपयोग टेक्स्ट पहचान (50+ भाषाएँ, हस्तलेखन सहित), फेस डिटेक्शन (468 चेहरे के प्रमुख बिंदु), बारकोड स्कैनिंग (QR, EAN-13, Code 128, PDF417, Data Matrix) और ऑब्जेक्ट डिटेक्शन के लिए किया जाता है। सभी API बिना इंटरनेट के पूरी तरह से डिवाइस पर काम करते हैं। ML Kit एकीकृत API के साथ iOS और Android पर उपलब्ध है।

ML Kit में फेस डिटेक्शन और टेक्स्ट रिकॉग्निशन

फेस डिटेक्शन चेहरे की रूपरेखा, भौहें, आँखें, नाक और होंठ के निर्देशांक, साथ ही सिर झुकाव कोण और आँख की स्थिति लौटाता है। AR मास्क और कैमरा फ़िल्टर सबसे लोकप्रिय उपयोग परिदृश्य है। टेक्स्ट रिकॉग्निशन मुद्रित वर्णों पर 99% तक सटीकता के साथ फ़ोटो से टेक्स्ट निकालता है। API CameraX के माध्यम से रीयल-टाइम पहचान का समर्थन करता है।

kotlin

val recognizer = TextRecognition.getClient()
val image = InputImage.fromBitmap(bitmap)

recognizer.process(image)
    .addOnSuccessListener { result ->
        result.textBlocks.forEach { block ->
            println(block.text)
        }
    }

ML Kit में बारकोड स्कैनिंग और ऑब्जेक्ट डिटेक्शन

बारकोड स्कैनिंग रीयल-टाइम में कैमरे के वीडियो स्ट्रीम में बारकोड पहचानता है। ऑब्जेक्ट डिटेक्शन बाउंडिंग बॉक्स और क्लास लेबल (व्यक्ति, कार, जानवर) के साथ छवि में वस्तुओं की पहचान करता है। पोज़ डिटेक्शन फ़िटनेस ऐप्स और गति विश्लेषण के लिए 33 शरीर के प्रमुख बिंदु निर्धारित करता है। इमेज लेबलिंग अधिकतम 10 सिमैंटिक इमेज लेबल लौटाता है — "प्रकृति", "शहर", "भोजन"।

Vision और NaturalLanguage: iOS और Android पर अंतर्निहित ML उपकरण

Apple तृतीय-पक्ष SDK स्थापित किए बिना Vision और NaturalLanguage के माध्यम से अंतर्निहित ML समाधान प्रदान करता है। Vision (VNRequest) डिवाइस पर चेहरे, टेक्स्ट, बारकोड और आकृति का पता लगाता है। NaturalLanguage (NLTokenizer) टोकनाइज़ेशन, लेम्माटाइज़ेशन, भाषा पहचान और भावना विश्लेषण प्रदान करता है। Android पर, समकक्ष ML Kit (पहचान) और android.speech से SpeechRecognizer (वाणी) के माध्यम से कार्यान्वित किए जाते हैं। अंतर्निहित उपकरणों को मॉडल डाउनलोड करने की आवश्यकता नहीं है — वे सिस्टम में पूर्व-स्थापित हैं।

Vision फ्रेमवर्क: VNRequest और VNCoreMLRequest

Vision में VNDetectFaceRectanglesRequest (चेहरा पहचान), VNRecognizeTextRequest (टेक्स्ट पहचान), VNDetectBarcodesRequest (बारकोड) और VNDetectHumanBodyPoseRequest (कंकाल) शामिल हैं। VNCoreMLRequest Vision पाइपलाइन में एक कस्टम Core ML मॉडल को एकीकृत करता है — उदाहरण के लिए, पहचाने गए चेहरों पर भावना वर्गीकरण। सभी अनुरोध न्यूनतम विलंबता के साथ Neural Engine पर निष्पादित होते हैं।

swift

let request = VNRecognizeTextRequest { request, error in
    guard let observations = request.results
        as? [VNRecognizedTextObservation] else { return }
    for observation in observations {
        let topCandidate = observation
            .topCandidates(1).first
        print(topCandidate?.string as? String ?? "")
    }
}

let handler = VNImageRequestHandler(
    cgImage: image, options: [:]
)
try? handler.perform([request])

iOS पर NaturalLanguage और SFSpeechRecognizer

NaturalLanguage टेक्स्ट को टोकन में विभाजित करने के लिए NLTokenizer, भाषा पहचान के लिए NLLanguageRecognizer (72 भाषाएँ) और NLSentimentAnalyzer टेक्स्ट भावना विश्लेषण के लिए प्रदान करता है। SFSpeechRecognizer डिवाइस पर 50+ भाषाओं का समर्थन करने वाला वाक् पहचान API है (iOS 13+)। उपयोग से पहले SFSpeechRecognizerAuthorizationStatus अनुमति आवश्यक है। परिणाम SFSpeechRecognitionResultHandler के माध्यम से एसिंक्रोनस रूप से आते हैं।

अक्सर पूछे जाने वाले प्रश्न

डिवाइस पर ML क्या है?

डिवाइस पर ML (on-device ML) एक दृष्टिकोण है जिसमें मशीन लर्निंग मॉडल सर्वर पर डेटा भेजे बिना सीधे मोबाइल डिवाइस पर चलाए जाते हैं। Core ML, TensorFlow Lite और ML Kit on-device ML के मुख्य फ्रेमवर्क हैं।

Core ML, TensorFlow Lite से कैसे अलग है?

Core ML iOS और macOS के लिए Neural Engine त्वरण के साथ Apple का फ्रेमवर्क है। TensorFlow Lite Android, iOS और Linux के लिए Google का क्रॉस-प्लेटफ़ॉर्म समाधान है। Core ML Apple उपकरणों पर बेहतर प्रदर्शन देता है, TFLite बहुमुखी प्रतिभा देता है।

ML Kit कौन से कार्य हल करता है?

ML Kit सामान्य कंप्यूटर विज़न और NLP कार्यों को हल करता है: टेक्स्ट, चेहरे, बारकोड, वस्तु और मुद्रा पहचान। सभी API बिना इंटरनेट के डिवाइस पर काम करते हैं और स्वयं का मॉडल बनाने की आवश्यकता नहीं होती।

क्या on-device ML के लिए इंटरनेट आवश्यक है?

नहीं, on-device ML पूरी तरह से स्थानीय रूप से काम करता है। मॉडल डिवाइस पर लोड होते हैं और बिना इंटरनेट कनेक्शन के निष्पादित होते हैं। ML Kit उच्च सटीकता वाले क्लाउड-आधारित API संस्करण भी प्रदान करता है, लेकिन on-device मोड ऑफ़लाइन उपलब्ध है।

मोबाइल डेवलपमेंट में ML के लिए कौन सा फ्रेमवर्क चुनें?

केवल iOS के लिए Core ML चुनें — यह Neural Engine का उपयोग करता है और Apple इकोसिस्टम से निकटता से एकीकृत है। क्रॉस-प्लेटफ़ॉर्म परियोजनाओं के लिए TensorFlow Lite चुनें। कस्टम मॉडल के बिना सामान्य कार्यों के लिए तैयार API वाला ML Kit चुनें।

सारांश

डिवाइस पर ML — सर्वर पर डेटा भेजे बिना, शून्य नेटवर्क विलंबता के साथ सीधे मोबाइल डिवाइस पर मॉडल चलाना।
Core ML — iOS और macOS के लिए Neural Engine पर हार्डवेयर त्वरण के साथ Apple का फ्रेमवर्क।
TensorFlow Lite — int8 क्वांटाइज़ेशन और GPU, NNAPI, XNNPACK डेलिगेट के साथ Google का क्रॉस-प्लेटफ़ॉर्म समाधान।
ML Kit — मॉडल बनाए बिना टेक्स्ट, चेहरे और बारकोड पहचान के लिए तैयार API वाला SDK।
Vision और NaturalLanguage — तृतीय-पक्ष लाइब्रेरी स्थापित किए बिना iOS पर अंतर्निहित ML उपकरण।
क्वांटाइज़ेशन न्यूनतम सटीकता हानि के साथ मॉडल आकार को 4 गुना कम करता है — मोबाइल ऐप्स के लिए मानक।
On-device ML संवेदनशील डेटा और ऑफ़लाइन उपयोग परिदृश्यों वाले ऐप्स के लिए अनिवार्य मानक है।

हम एक मोबाइल एप्लिकेशन टर्नकी विकसित करेंगे

IT Sectr 2017 से स्टार्टअप और व्यवसायों के लिए iOS और Android एप्लिकेशन बनाता है। हम आपको सलाह देंगे और सर्वोत्तम समाधान प्रस्तावित करेंगे।

परियोजना पर चर्चा करें