API ระดับสูงที่ใช้งานง่าย
ไม่จำเป็นต้องจัดการกับอินพุต/เอาต์พุตโมเดลระดับต่ำ การประมวลผลรูปภาพก่อนและหลังการประมวลผล หรือสร้างไปป์ไลน์การประมวลผล โดย ML Kit จะแยกป้ายกำกับออกจากโมเดล TensorFlow Lite และส่งเป็นคำอธิบายข้อความ
โปรดทราบว่า API นี้มีไว้สำหรับโมเดลการจัดประเภทรูปภาพที่อธิบายรูปภาพขนาดเต็ม สำหรับการจัดประเภทออบเจ็กต์อย่างน้อย 1 รายการในรูปภาพ เช่น รองเท้าหรือเฟอร์นิเจอร์ API การตรวจจับและการติดตามออบเจ็กต์อาจเหมาะสมกว่า
โมเดลการจัดประเภทรูปภาพที่รองรับ
Image Labeling API รองรับโมเดลการจัดประเภทรูปภาพแบบต่างๆ ดังนี้
โมเดลการจัดประเภทรูปภาพที่รองรับ
รูปแบบพื้นฐาน
โดยค่าเริ่มต้น API จะใช้โมเดลการติดป้ายกำกับรูปภาพอเนกประสงค์ที่มีประสิทธิภาพ ซึ่งจดจำเอนทิตีมากกว่า 400 รายการที่ครอบคลุมแนวคิดที่พบได้บ่อยที่สุดในรูปภาพ
โมเดล TensorFlow Lite ที่กำหนดเอง
หากต้องการกำหนดเป้าหมายแนวคิดเฉพาะแอปพลิเคชัน API จะยอมรับโมเดลการจัดประเภทรูปภาพที่กำหนดเองจากแหล่งที่มาที่หลากหลาย โมเดลเหล่านี้อาจเป็นโมเดลก่อนการฝึกที่ดาวน์โหลดจาก TensorFlow Hub หรือโมเดลของคุณเองที่ฝึกด้วย AutoML Vision Edge, TensorFlow Lite Model Maker หรือ TensorFlow เอง โมเดลอาจรวมมากับแอปหรือโฮสต์ด้วยแมชชีนเลิร์นนิง Firebase และดาวน์โหลดได้รันไทม์
การใช้โมเดลฐาน
โมเดลฐานของ ML Kit จะแสดงรายการเอนทิตีที่ระบุผู้คน สิ่งของ สถานที่ กิจกรรม และอื่นๆ แต่ละเอนทิตีจะมีคะแนนที่ระบุความเชื่อมั่นที่โมเดล ML มีในความเกี่ยวข้อง ข้อมูลนี้ช่วยให้คุณดำเนินงานต่างๆ เช่น สร้างข้อมูลเมตาอัตโนมัติและการกลั่นกรองเนื้อหาได้ โมเดลเริ่มต้นที่มาพร้อมกับ ML Kit จดจำเอนทิตีที่แตกต่างกันมากกว่า 400 รายการได้
รูปภาพ: Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0
ป้ายกำกับ 0
ข้อความ
สนามกีฬา
ความมั่นใจ
0.9205354
ป้ายกำกับ 1
ข้อความ
กีฬา
ความมั่นใจ
0.7531109
ป้ายกำกับ 2
ข้อความ
เหตุการณ์
ความมั่นใจ
0.66905296
ป้ายกำกับ 3
ข้อความ
ยามว่าง
ความมั่นใจ
0.59904146
ป้ายกำกับ 4
ข้อความ
ฟุตบอล
ความมั่นใจ
0.56384534
ป้ายกำกับ 5
ข้อความ
สุทธิ
ความมั่นใจ
0.54679185
ป้ายกำกับ 6
ข้อความ
ต้นไม้
ความมั่นใจ
0.524364
การใช้โมเดล TensorFlow Lite ที่กำหนดเอง
โมเดลการติดป้ายกำกับรูปภาพพื้นฐานของ ML Kit สร้างขึ้นเพื่อการใช้งานทั่วไป ระบบฝึกให้จดจำหมวดหมู่ 400 รายการที่อธิบายถึงออบเจ็กต์ที่พบมากที่สุดในรูปภาพ แอปของคุณอาจต้องใช้โมเดลการจัดประเภทรูปภาพเฉพาะที่รู้รายละเอียดของหมวดหมู่ในจำนวนที่แคบลง เช่น โมเดลที่แยกความแตกต่างระหว่างดอกไม้แต่ละสายพันธุ์หรือประเภทอาหาร
API นี้ช่วยให้คุณปรับแต่งกรณีการใช้งานที่เฉพาะเจาะจงโดยการรองรับโมเดลการจัดประเภทรูปภาพที่กำหนดเองจากแหล่งที่มาที่หลากหลาย โปรดดูข้อมูลเพิ่มเติมที่โมเดลที่กำหนดเองที่มี ML Kit โมเดลที่กำหนดเองอาจมาพร้อมกับแอปหรือดาวน์โหลดแบบไดนามิกจากระบบคลาวด์โดยใช้บริการการทำให้โมเดลของ Firebase Machine Learning ใช้งานได้
[null,null,["อัปเดตล่าสุด 2025-08-29 UTC"],[[["\u003cp\u003eML Kit's image labeling APIs can detect and extract information about entities in an image, including objects, places, activities, and more.\u003c/p\u003e\n"],["\u003cp\u003eYou can leverage the powerful base model to identify over 400 common entities or use custom models tailored to specific use cases.\u003c/p\u003e\n"],["\u003cp\u003eML Kit simplifies the process with high-level APIs that abstract away low-level model complexities, making integration easier.\u003c/p\u003e\n"],["\u003cp\u003eEasily incorporate custom TensorFlow Lite models, whether bundled with your app or dynamically downloaded, to enable specialized image classification.\u003c/p\u003e\n"],["\u003cp\u003eImage Labeling automatically adjusts the input image size and aspect ratio to fit the model's requirements.\u003c/p\u003e\n"]]],[],null,["With ML Kit's image labeling APIs you can detect and extract information\nabout entities in an image across a broad group of categories. The default\nimage labeling model can identify general objects, places, activities, animal\nspecies, products, and more.\n\nYou can also use a custom image classification model to tailor detection\nto a specific use case. See [Using a custom TensorFlow Lite model](#custom-tflite)\nfor more information.\n\nKey capabilities\n\n- **A powerful general-purpose base classifier** Recognizes more than 400 categories that describe the most commonly found objects in photos.\n- **Tailor to your use case with custom models** Use other pre-trained models from TensorFlow Hub or your own custom model trained with TensorFlow, AutoML Vision Edge or TensorFlow Lite Model maker.\n- **Easy-to-use high-level APIs** No need to deal with low-level model input/output, image pre- and post-processing, or building a processing pipeline. ML Kit extracts the labels from the TensorFlow Lite model and provides them as a text description.\n\nNote that this API is intended for image classification models that describe the\nfull image. For classifying one or more objects in an image, such as shoes or\npieces of furniture, the\n[Object Detection \\& Tracking](/ml-kit/vision/object-detection)\nAPI may be a better fit.\n\nSupported image classification models\n\nThe Image Labeling APIs support different image classification models:\n\n| Supported image classification models ||\n|-----------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| **Base model** | By default the API uses a powerful general-purpose image labeling model that recognizes more than 400 entities that cover the most commonly-found concepts in photos. |\n| **Custom TensorFlow Lite models** | To target application-specific concepts, the API accepts custom image classification models from a wide range of sources. These can be pre-trained models downloaded from TensorFlow Hub or your own models trained with AutoML Vision Edge, TensorFlow Lite Model Maker or TensorFlow itself. Models can be bundled with your app or hosted with Firebase Machine Learning and downloaded at run-time. |\n\nUsing the base model\n\nML Kit's base model returns a list of entities that identify people,\nthings, places, activities, and so on. Each entity comes with a score that\nindicates the confidence the ML model has in its relevance. With this\ninformation, you can perform tasks such as automatic metadata generation and\ncontent moderation. The default model provided with ML Kit recognizes more than\n[400 different entities](/ml-kit/vision/image-labeling/label-map).\n\n[iOS](/ml-kit/vision/image-labeling/ios)\n[Android](/ml-kit/vision/image-labeling/android)\n\nExample labels\n\nThe base model in the image labeling API supports 400+ labels, such as the\nfollowing examples:\n\n| Category | Example labels |\n|------------|------------------------------|\n| People | `Crowd` `Selfie` `Smile` |\n| Activities | `Dancing` `Eating` `Surfing` |\n| Things | `Car` `Piano` `Receipt` |\n| Animals | `Bird` `Cat` `Dog` |\n| Plants | `Flower` `Fruit` `Vegetable` |\n| Places | `Beach` `Lake` `Mountain` |\n\nExample results\n\nHere is an example of the entities that were recognized in the accompanying photo.\nPhoto: Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0\n\n| Label 0 ||\n|----------------|------------|\n| **Text** | Stadium |\n| **Confidence** | 0.9205354 |\n| **Text** | Sports |\n| **Confidence** | 0.7531109 |\n| **Text** | Event |\n| **Confidence** | 0.66905296 |\n| **Text** | Leisure |\n| **Confidence** | 0.59904146 |\n| **Text** | Soccer |\n| **Confidence** | 0.56384534 |\n| **Text** | Net |\n| **Confidence** | 0.54679185 |\n| **Text** | Plant |\n| **Confidence** | 0.524364 |\n\nUsing a custom TensorFlow Lite model\n\nML Kit's base image labeling model is built for general-purpose use. It's\ntrained to recognize 400 categories that describe the most commonly-found\nobjects in photos. Your app might need a specialized image classification model\nthat recognizes a narrower number of categories in more detail, such as a model\nthat distinguishes between species of flowers or types of food.\n\nThis API lets you tailor to a particular use case by supporting custom image\nclassification models from a wide range of sources. Please refer to [Custom models with ML Kit](/ml-kit/custom-models)\nto learn more. Custom models can be bundled with your app or dynamically\ndownloaded from the cloud using Firebase Machine Learning's Model deployment\nservice.\n\n[iOS](/ml-kit/vision/image-labeling/custom-models/ios)\n[Android](/ml-kit/vision/image-labeling/custom-models/android)\n\nInput image preprocessing\n\nIf needed, Image Labeling uses bilinear image scaling and stretching to adjust\nthe input image size and aspect ratio so that they fit the requirements of the\nunderlying model."]]
