با مجموعهها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویتهای شما.
تشخیص و ردیابی شی
plat_iosplat_android
با API تشخیص و ردیابی اشیاء روی دستگاه کیت ML، می‌توانید برجسته‌ترین اشیاء را در یک تصویر یا فید دوربین زنده در زمان واقعی بومی‌سازی و ردیابی کنید. همچنین می توانید به صورت اختیاری اشیاء شناسایی شده را در یکی از چندین دسته کلی طبقه بندی کنید.
تشخیص و ردیابی اشیاء با طبقه بندی درشت برای ایجاد تجارب جستجوی بصری زنده مفید است. از آنجایی که تشخیص و ردیابی شی به سرعت و به طور کامل در دستگاه انجام می شود، به خوبی به عنوان قسمت جلویی خط لوله جستجوی بصری طولانی تر عمل می کند. پس از شناسایی و فیلتر کردن اشیاء، می‌توانید آنها را به یک باطن ابری، مانند جستجوی محصول Cloud Vision ، یا به یک مدل سفارشی، مانند مدلی که با استفاده از AutoML Vision Edge آموزش داده‌اید، منتقل کنید.
اشیاء را تشخیص دهید و مکان آنها را در تصویر بدست آورید. ردیابی اشیاء در تصاویر
مدل بهینه شده روی دستگاه
مدل تشخیص و ردیابی شی برای دستگاه‌های تلفن همراه بهینه‌سازی شده است و برای استفاده در برنامه‌های بلادرنگ، حتی در دستگاه‌های سطح پایین در نظر گرفته شده است.
تشخیص اشیاء برجسته
به طور خودکار برجسته ترین شی را در یک تصویر تعیین کنید.
طبقه بندی درشت
اشیاء را به دسته‌های گسترده طبقه‌بندی کنید، که می‌توانید از آنها برای فیلتر کردن اشیایی که به آنها علاقه ندارید استفاده کنید. دسته‌های زیر پشتیبانی می‌شوند: کالاهای خانگی، کالاهای مد، غذا، گیاهان، مکان‌ها و ناشناخته‌ها.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],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 |"]]
