Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Nesne Algılama ve İzleme
plat_iosplat_android
Makine Öğrenimi Kiti'nin cihaz üzerinde nesne algılama ve izleme API'si sayesinde,
ve bir resimdeki veya canlı kameradaki en belirgin nesneleri gerçek zamanlı olarak izleyebilirsiniz
feed'i seçin. Ayrıca isteğe bağlı olarak, algılanan nesneleri birkaç farklı segmentten birine sınıflandırabilirsiniz.
yardımcı olur.
Kaba sınıflandırma ile nesne algılama ve izleme, çeşitli nesneleri tanımlamak için yararlıdır.
canlı görsel arama deneyimleri oluşturun. Çünkü nesne algılama ve izleme,
olarak çalışırsa daha uzun bir kullanıcı deneyiminin
görsel arama ardışık düzeni üzerinde çalışır. Nesneleri tespit edip filtreledikten sonra bunları aktarabilirsiniz
Cloud Vision Product Search gibi bir bulut arka ucuna
kullanarak eğittiğiniz modele, örneğin
AutoML Vision Edge'i tıklayın.
Nesne algılama ve izleme modeli, mobil cihazlar için optimize edilmiştir
ve düşük uçlu cihazlarda bile gerçek zamanlı uygulamalarda
kullanılmak üzere tasarlanmıştır.
cihazlar.
Belirgin nesne algılama
Bir resimdeki en belirgin nesneyi otomatik olarak belirleyin.
Kaba sınıflandırma
Nesneleri filtreleyip hariç tutmak için kullanabileceğiniz geniş kategorilere ayırma
ilgisiz nesneler bulunur. Aşağıdaki kategoriler desteklenir:
ev eşyaları, moda ürünleri, yiyecekler, bitkiler, yerler ve bilinmeyenleri içerir.
[null,null,["Son güncelleme tarihi: 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 |"]]
