Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Rilevamento e monitoraggio degli oggetti
plat_iosplat_android
Con l'API di rilevamento e monitoraggio degli oggetti on-device di ML Kit, puoi localizzare
e monitorare in tempo reale gli oggetti più importanti in un'immagine o in un feed della fotocamera dal vivo. Facoltativamente, puoi anche classificare gli oggetti rilevati in una delle varie
categorie generali.
Il rilevamento e il tracciamento degli oggetti con una classificazione approssimativa sono utili per creare
esperienze di ricerca visiva dal vivo. Poiché il rilevamento e
il monitoraggio degli oggetti avvengono
in modo rapido e completo sul dispositivo, funziona come il front-end di una
una pipeline di ricerca visiva. Dopo aver rilevato e filtrato gli oggetti, puoi superarli
in un backend cloud, come Cloud Vision Product Search,
o a un modello personalizzato, come quello addestrato utilizzando
AutoML Vision Edge.
Rileva oggetti e trova la loro posizione nell'immagine. Tieni traccia degli oggetti
in formato Docker.
Modello on-device ottimizzato
Il modello di rilevamento e monitoraggio degli oggetti è ottimizzato per i dispositivi mobili
ed è progettato per essere utilizzato in applicazioni in tempo reale, anche su dispositivi
di fascia bassa.
Rilevamento di oggetti in evidenza
Determina automaticamente l'oggetto più in evidenza in un'immagine.
Classificazione approssimativa
Classificare gli oggetti in ampie categorie, che puoi utilizzare per escludere
che non ti interessano. Sono supportate le seguenti categorie:
casalinghi, articoli di moda, cibo, piante, luoghi e sconosciuti.
Risultati di esempio
Monitoraggio dell'oggetto più in evidenza tra le immagini
[null,null,["Ultimo aggiornamento 2025-07-25 UTC."],[],[],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 |"]]
