Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Objekterkennung und -tracking
plat_iosplat_android
Mit der On-Device-Objekterkennung und -verfolgung von ML Kit können Sie
und die wichtigsten Objekte in einer Bild- oder Livekamera in Echtzeit verfolgen
Feed. Optional können Sie erkannte Objekte auch einer von mehreren
allgemeine Kategorien.
Objekterkennung und -tracking mit grober Klassifizierung
visuelle Live-Sucherlebnisse. Weil Objekterkennung und -verfolgung
schnell und vollständig auf dem Gerät installiert, funktioniert es als Frontend eines längeren
visuelle Suchpipeline. Objekte, die erkannt und gefiltert wurden, können übergeben werden.
an ein Cloud-Back-End wie die Cloud Vision-Produktsuche,
oder einem benutzerdefinierten Modell, das Sie mit
AutoML Vision Edge.
Objekte erkennen und ihren Standort im Bild ermitteln. Objekte aufzeichnen auf
Bilder.
Optimiertes On-Device-Modell
Das Objekterkennungs- und Tracking-Modell ist für Mobilgeräte optimiert.
und für den Einsatz in Echtzeitanwendungen, auch an Low-End-
Geräte.
Erkennung von gut sichtbaren Objekten
Hiermit wird automatisch das auffälligste Objekt in einem Bild bestimmt.
Grobe Klassifizierung
Sie können Objekte in weit gefasste Kategorien einordnen, um sie herauszufiltern.
Objekte, die Sie nicht interessieren. Die folgenden Kategorien werden unterstützt:
Haushaltswaren, Mode, Lebensmittel, Pflanzen, Orte und Unbekannt.
[null,null,["Zuletzt aktualisiert: 2025-07-25 (UTC)."],[],[],null,["Object Detection and Tracking \nplat_ios plat_android \n\nWith ML Kit's on-device object detection and tracking API, you can localize\nand track in real time the most prominent objects in an image or live camera\nfeed. You can also optionally classify detected objects into one of several\ngeneral categories.\n\nObject detection and tracking with coarse classification is useful for building\nlive visual search experiences. Because object detection and tracking happens\nquickly and completely on the device, it works well as the front end of a longer\nvisual search pipeline. After you detect and filter objects, you can pass them\nto a cloud backend, such as [Cloud Vision Product Search](https://cloud.google.com/vision/product-search/docs/),\nor to a custom model, such as one you trained using\n[AutoML Vision Edge](/docs/ml-kit/automl-vision-edge).\n\n[iOS](/docs/ml-kit/ios/detect-objects)\n[Android](/docs/ml-kit/android/detect-objects)\n| This is a beta release of ML Kit for Firebase. This API might be changed in backward-incompatible ways and is not subject to any SLA or deprecation policy.\n\nKey capabilities\n\n|------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| Fast object detection and tracking | Detect objects and get their location in the image. Track objects across images. |\n| Optimized on-device model | The object detection and tracking model is optimized for mobile devices and intended for use in real-time applications, even on lower-end devices. |\n| Prominent object detection | Automatically determine the most prominent object in an image. |\n| Coarse classification | Classify objects into broad categories, which you can use to filter out objects you're not interested in. The following categories are supported: home goods, fashion goods, food, plants, places, and unknown. |\n\nExample results\n\nTracking the most prominent object across images\n\n|---|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| | |---------------------------|--------------------------------------------| | Tracking ID | 0 | | Bounds | (95, 45), (496, 45), (496, 240), (95, 240) | | Category | PLACE | | Classification confidence | 0.9296875 | |\n| | |---------------------------|--------------------------------------------| | Tracking ID | 0 | | Bounds | (84, 46), (478, 46), (478, 247), (84, 247) | | Category | PLACE | | Classification confidence | 0.8710938 | |\n| | |---------------------------|--------------------------------------------| | Tracking ID | 0 | | Bounds | (53, 45), (519, 45), (519, 240), (53, 240) | | Category | PLACE | | Classification confidence | 0.8828125 | |\n\nPhoto: Christian Ferrer \\[CC BY-SA 4.0\\]\n\nMultiple objects in a static image\n\n| Object 0 ||\n|---------------------------|----------------------------------------------|\n| Bounds | (1, 97), (332, 97), (332, 332), (1, 332) |\n| Category | FASHION_GOOD |\n| Classification confidence | 0.95703125 |\n| Bounds | (186, 80), (337, 80), (337, 226), (186, 226) |\n| Category | FASHION_GOOD |\n| Classification confidence | 0.84375 |\n| Bounds | (296, 80), (472, 80), (472, 388), (296, 388) |\n| Category | FASHION_GOOD |\n| Classification confidence | 0.94921875 |\n| Bounds | (439, 83), (615, 83), (615, 306), (439, 306) |\n| Category | FASHION_GOOD |\n| Classification confidence | 0.9375 |"]]
