تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
رصد الأشياء وتتبُّعها
plat_iosplat_android
باستخدام واجهة برمجة التطبيقات الخاصة برصد العناصر وتتبُّعها على الجهاز في ML Kit، يمكنك أقلمة
وتتبُّع العناصر الأكثر بروزًا في صورة أو كاميرا مباشرة في الوقت الفعلي
الخلاصة. يمكنك أيضًا تصنيف العناصر المرصودة إلى واحد من بين العناصر العديدة المتاحة.
الفئات العامة.
ويكون الكشف عن الأشياء وتتبعها باستخدام التصنيف التقريبي مفيدًا لإنشاء
تجارب البحث المرئي المباشرة. لأنّه يتم رصد العناصر وتتبُّعها
بسرعة وبشكل كامل على الجهاز، فإنها تعمل بشكل جيد بالإضافة إلى الواجهة الأمامية
مسار البحث المرئي. بعد رصد الأجسام وفلترة الصور، يمكنك تمريرها
إلى واجهة خلفية في السحابة الإلكترونية، مثل بحث المنتجات في Cloud Vision،
أو إلى نموذج مخصّص، مثل النموذج الذي تدرّبت عليه باستخدام
AutoML Vision Edge.
رصْد العناصر ومعرفة موقعها الجغرافي في الصورة. تتبُّع العناصر على
الصور.
النموذج المحسَّن على الجهاز فقط
تم تحسين نموذج رصد العناصر وتتبُّعها للأجهزة الجوّالة
ومُصمَّم للاستخدام في التطبيقات التي تعمل في الوقت الفعلي، حتى في التطبيقات ذات المواصفات المنخفضة
الأجهزة.
رصد العناصر البارزة
تحديد الجسم الأكثر بروزًا في الصورة تلقائيًا
التصنيف التقريبي
تصنيف العناصر إلى فئات واسعة، يمكنك استخدامها لفلترة البيانات
الكائنات التي لا تهمّك الفئات التالية متاحة:
وسلع منزلية وسلع أزياء وطعام ونباتات وأماكن وغير معروفة.
أمثلة النتائج
تتبُّع العنصر الأكثر بروزًا في الصور
الرقم التعريفي للتتبع
0
الحدود
(95 أو 45) أو (496 أو 45) أو (496 أو 240) أو (95 أو 240)
تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)"],[],[],null,["# Object Detection and Tracking\n=============================\n\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|------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\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---------------\n\n### Tracking 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\n### Multiple 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 |"]]
