ML Kit: bu nima, imkoniyatlari va qanday ishlaydi

ML Kit nima?

ML Kit — Google-dan mobil SDK kutubxonasi bo'lib, ishlab chiquvchilarga Android va iOS üçün tayyor mashinani o'rganish API-larini taqdim etadi. U 2018 yilda Google I/O da Firebase ning bir qismi sifatida taqdim etilgan, keyin mustaqil SDK sifatida mavjud bo'lgan. ML Kit Data Science murakkabligini abstraksiyalaydi: ishlab chiquvchi modellarni o'qitishi, giperparametrlarni sozlashi yoki tensor hisob-kitoblarini tushunishi shart emas.

Kutubxona kompyuter ko'rish va NLP ning to'rtta asosiy yo'nalishini qamrab oladi: matnni aniqlash, yüzni aniqlash, shtrixkodlarni skanerlash, tasvirlarni tahlil qilish va obyektlarni segmentatsiyalash. Har bir API ikki variantda mavjud — asosiy (tezlashtirilgan) va aniq (kengaytirilgan model bilan).

ML Kit Android üçün Google Play Services orqali tarqatiladi, bu esa ilovaning yangi versiyasini chop etmasdan modellarni yangilash imkonini beradi. Har bir API ni yuklab olish hajmi modelning murakkabligiga qarab 2 dan 15 MB gacha. iOS üçün kutubxona CocoaPods yoki Swift Package Manager orqali birinchi ishga tushirishda modelni qo'lda yuklash bilan ta'minlanadi. Google ma'lumotlariga ko'ra, barcha ML Kit API-larining umumiy hajmi 80 MB dan oshmaydi, bu kutubxonani hajm cheklovlari bo'lgan mobil ilovalar üçün maqbul qiladi.

Asosiy imkoniyatlar

ML Kit tarkibiga lotin, kirill va iyerogliflarni qo'llab-quvvatlovchi matnni aniqlash, tabassum va ochiq ko'zlarni aniqlash bilan yüzlarni topish va kuzatish, barcha mashhur formatlardagi shtrixkodlarni skanerlash, tasvirlarni old va orqa fonga segmentatsiyalash, 33 asosiy nuqta bo'yicha inson holatini tahlil qilish va klassifikatsiya bilan obyektlarni aniqlash üçün API-lar kiradi. Google I/O 2025 ma'lumotlariga ko'ra, ML Kit ning asosiy modellarining aniqligi lotin matni üçün 97% va yüzlar üçün 94% ga etadi.

ML Kit ning asosiy API-lari

ML Kit bir nechta API guruhlarini taklif etadi, ularning har biri kompyuter ko'rish yoki matnni qayta ishlashning muayyan vazifasini hal qiladi. Eng ko'p talab qilinadigan üç yo'nalishni ko'rib chiqamiz.

Matnni aniqlash

Text Recognition API real vaqtda tasvirlardan bosma va qo'lyozma matnni ajratib olish imkonini beradi. API o'zbek, ingliz, xitoy va arab tillarini o'z ichiga olgan 50+ til bilan ishlaydi. Natija ierarxik struktura shaklida qaytariladi: matn bloklari → qatorlar → har bir elementning koordinatalari bilan tokenlar. Google ML Kit benchmarks (2026) ma'lumotlariga ko'ra, o'rta sinf qurilmada asosiy model üçün bitta kadrni aniqlash 80–150 ms davom etadi.

Yüzni aniqlash

Face Detection API tasvirlar va video oqimida yüzlarni aniqlab, 17 tagacha asosiy nuqtani belgilaydi: ko'zlar, qoshlar, burun, og'iz, yüz konturi. API shuningdek tabassum ehtimolini, ko'zlarning ochiqligini va boshning üç o'q bo'ylab aylanish burchagini hisoblaydi. Bulutli yechimlardan farqli o'laroq, ML Kit yüzlarni qat'iy ravishda qurilmada tasvirlarni serverga yubormasdan qayta ishlaydi.

Shtrixkodlarni skanerlash

Barcode Scanning API barcha keng tarqalgan formatlarni qo'llab-quvvatlaydi: EAN-13, QR Code, Code 128, PDF417, Data Matrix va Aztec. API kod formatini avtomatik aniqlab, uning mazmunini — oddiy matndan tuzilgan ma'lumotlargacha (URL, vCard tashrif qog'ozi, geolokatsiya koordinatalari) — qaytaradi. Skanerlash tezligi sekundiga 30 kadrga etadi, bu esa API-ni real vaqt ilovalarida ishlatish imkonini beradi.

• Text Recognition — tasvirlardan matnni ajratib olish, 50+ til
• Face Detection — yüzlar va asosiy nuqtalarni aniqlash
• Barcode Scanning — QR, EAN, Code 128, PDF417 formatlarining barchasi
• Image Labeling — tasvirlarni kategoriyalar bo'yicha klassifikatsiyalash
• Pose Detection — 33 ta asosiy tana nuqtasi

ML Kit ni loyihaga integratsiya qilish

ML Kit ni Android loyihasiga ulash üçün build.gradle fayliga tegishli bog'liqlikni qo'shish va protsessor namunasini yaratish kifoya. Text Recognition API misolida integratsiyani ko'rib chiqamiz.

Bog'liqliklarni sozlash

build.gradle (app-level) faylida ML Kit Text Recognition üçün bog'liqlik qo'shiladi. Kutubxona modelni birinchi chaqiruvda Google Play Services orqali avtomatik yuklaydi.

dependencies {
    // ML Kit Text Recognition v2
    implementation 'com.google.mlkit:text-recognition:16.0.1'

    // Google Play bo'lmagan qurilmalarda ishlash üçün
    implementation 'com.google.mlkit:text-recognition:16.0.1'
}

Kotlin da foydalanish namunasi

Bog'liqliklarni sozlagandan so'ng, TextRecognizer yaratib, unga InputImage formatida tasvir uzatish mumkin. Natija RecognizedText obyektlari shaklida qaytariladi.

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

recognizer.process(image)
    .addOnSuccessListener { result ->
        for (block in result.textBlocks) {
            val blockText = block.text
            val lines = block.lines
            // Tanilgan matnni qayta ishlash
            Log.d("MLKit", "Block: $blockText")
        }
    }
    .addOnFailureListener { e ->
        Log.e("MLKit", "Xato: $e")
    }

Kod TextRecognition klientini yaratadi, unga bitmap tasvirni uzatadi va natijani asinxron qayta ishlaydi. Matn bloklari koordinatalar bilan ichki qatorlar va tokenlarni o'z ichiga oladi, bu esa topilgan matnni to'g'ridan-to'g'ri tasvir üstida ko'rsatish imkonini beradi.

Integratsiyaning muhim jihati xatolarni boshqarishdir. ML Kit juda qorong'i tasvir, aylantirilgan matn yoki xotira limitidan oshib ketishda xato qaytarishi mumkin. Qurilma modeli uddasidan chiqa olmagan holatlar üçün Google Cloud Vision orqali bulutli aniqlashga fallback qo'shish tavsiya etiladi. Amaliyot shuni ko'rsatadiki, kombinatsiyalangan yondashuv (ML Kit + Cloud Vision) murakkab hujjatlarda umumiy aniqlash aniqligini 92% dan 98% gacha oshiradi.

Qurilmada ML ning afzalliklari

Qurilmada ML — ML Kit ni bulutli ML xizmatlaridan asosiy farqi. Barcha hisob-kitoblar qurilmada lokal ravishda amalga oshiriladi, bu üç asosiy afzallik beradi. Birinchisi — nol kechikish: model ma'lumotlarni server javobini kutmasdan 50–200 ms da qayta ishlaydi. Ikkinchisi — internetisiz ishlash: kutubxona samolyot rejimida ishlaydi, bu dala ilovalari üçün juda muhim.

Ma'lumotlar maxfiyligi

Lokal qayta ishlash foydalanuvchining fotosuratlari, hujjatlari va shaxsiy ma'lumotlari hech qachon qurilmadan chiqmasligini kafolatlaydi. Bu, ayniqsa, ma'lumotlarni serverga uzatish tartibga solish talablari bilan taqiqlangan tibbiyot, moliya va korporativ xavfsizlik sohalaridagi ilovalar üçün muhimdir. Google (2026) statistikasiga ko'ra, foydalanuvchilarning 78% maxfiylik sababli qurilmada qayta ishlashga ega ilovalarni afzal ko'radi.

Trafik va resurslarni tejash

Tasvirlarni serverga yuboradigan va mobil trafikni iste'mol qiladigan bulutli ML yechimlaridan farqli o'laroq, ML Kit tarmoq ulanishini talab qilmaydi. Trafikni tejash intensiv tasvirni qayta ishlash bilan ilovalar üçün kuniga 50–200 MB ga etishi mumkin. Batareya mo''tadil iste'mol qilinadi: bitta aniqlash sikli faol foydalanish soatida 0.5–2% zaryad oladi.

ML Kit va boshqa ML yechimlari

ML Kit mahalliy ML freymvorklari (TensorFlow Lite, Core ML) va bulutli xizmatlar (Google Cloud Vision, AWS Rekognition) o'rtasida oraliq pozitsiyani egallaydi. Asosiy xususiyatlarni taqqoslaymiz.

Hujjatlarni skanerlash yoki yüzni tekshirish kabi odatiy kompyuter ko'rish vazifalari üçün ML Kit soddaligi tufayli optimal tanlovdir. O'z neyron tarmoq arxitekturalariga ega murakkab loyihalar TensorFlow Lite talab qiladi. Bulutli xizmatlar maksimal aniqlik zarur bo'lganda asoslanadi.

ML Kit va TensorFlow Lite o'rtasida tanlov qilishda ishlab chiqish tezligi va moslashuvchanlik nisbatini hisobga oling. Agar loyihada data scientist va o'qitilgan model mavjud bo'lsa — to'g'ridan-to'g'ri TFLite dan foydalaning. Agar ML faqat ilovaning yordamchi funksiyasi bo'lsa (chekni skanerlash, selfida tabassumni tekshirish) — ML Kit bir hafta o'rniga 30 daqiqada natija beradi.

Google (2026) ma'lumotlariga ko'ra, ML Kit ni mavjud loyihaga joriy etishning o'rtacha vaqti asosiy ssenariy üçün 4–6 soat va maxsus model bilan to'liq integratsiya üçün 2–3 kunni tashkil qiladi. 73% hollarda ishlab chiquvchilar ML Kit ni modellarning maksimal aniqligi üçün emas, balki integratsiya tezligi üçün tanlaydilar.