Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Deteksi dan Pelacakan objek
plat_iosplat_android
Dengan API deteksi dan pelacakan objek di perangkat pada ML Kit, Anda dapat melokalkan
dan melacak secara real time objek yang paling menonjol dalam gambar atau feed kamera
live. Secara opsional, Anda juga dapat mengklasifikasikan objek yang terdeteksi menjadi salah satu dari beberapa kategori umum.
Deteksi dan pelacakan objek dengan klasifikasi mentah berguna untuk membangun pengalaman penelusuran visual live. Karena deteksi dan pelacakan objek terjadi dengan cepat dan menyeluruh pada perangkat, ini berfungsi dengan baik sebagai front end dari pipeline penelusuran visual yang lebih panjang. Setelah mendeteksi dan memfilter objek, Anda dapat meneruskannya
ke backend cloud, seperti Cloud Vision Product Search,
atau ke model kustom, seperti yang telah Anda latih menggunakan
AutoML Vision Edge.
Mendeteksi objek dan menemukan lokasinya di gambar. Melacak objek di banyak gambar.
Model yang dioptimalkan di perangkat
Model deteksi dan pelacakan objek dioptimalkan untuk perangkat seluler dan dimaksudkan untuk digunakan dalam aplikasi real time, bahkan pada perangkat kelas bawah.
Deteksi objek yang menonjol
Menentukan objek yang paling menonjol dalam suatu gambar secara otomatis.
Klasifikasi mentah
Mengklasifikasikan objek ke kategori luas, yang dapat Anda gunakan untuk memfilter objek yang tidak Anda minati. Kategori berikut ini didukung: peralatan rumah tangga, barang mode, makanan, tanaman, tempat, dan hal yang tidak diketahui.
Hasil contoh
Melacak objek yang paling menonjol di antara sekumpulan gambar
[null,null,["Terakhir diperbarui pada 2025-08-04 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 |"]]
