বস্তু সনাক্তকরণ এবং ট্র্যাকিং
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
ML Kit-এর অন-ডিভাইস অবজেক্ট ডিটেকশন এবং ট্র্যাকিং API-এর সাহায্যে আপনি একটি ইমেজ বা লাইভ ক্যামেরা ফিডে অবজেক্ট সনাক্ত ও ট্র্যাক করতে পারেন।
ঐচ্ছিকভাবে, আপনি সনাক্ত করা বস্তুগুলিকে শ্রেণীবদ্ধ করতে পারেন, হয় API-এ নির্মিত মোটা শ্রেণীবিভাগ ব্যবহার করে, অথবা আপনার নিজস্ব কাস্টম চিত্র শ্রেণীবিভাগ মডেল ব্যবহার করে৷ আরও তথ্যের জন্য একটি কাস্টম টেনসরফ্লো লাইট মডেল ব্যবহার করা দেখুন।
কারণ ডিভাইসে বস্তু সনাক্তকরণ এবং ট্র্যাকিং ঘটে, এটি ভিজ্যুয়াল অনুসন্ধান পাইপলাইনের সামনের প্রান্তের মতো ভাল কাজ করে। আপনি অবজেক্টগুলি সনাক্ত এবং ফিল্টার করার পরে, আপনি সেগুলিকে একটি ক্লাউড ব্যাকএন্ডে পাঠাতে পারেন, যেমন ক্লাউড ভিশন পণ্য অনুসন্ধান ৷
iOS অ্যান্ড্রয়েড
মূল ক্ষমতা
- দ্রুত অবজেক্ট সনাক্তকরণ এবং ট্র্যাকিং বস্তু সনাক্ত করুন এবং চিত্রে তাদের অবস্থানগুলি পান। ক্রমাগত ইমেজ ফ্রেম জুড়ে বস্তু ট্র্যাক.
- অপ্টিমাইজ করা অন-ডিভাইস মডেল অবজেক্ট ডিটেকশন এবং ট্র্যাকিং মডেলটি মোবাইল ডিভাইসের জন্য অপ্টিমাইজ করা হয়েছে এবং রিয়েল-টাইম অ্যাপ্লিকেশানগুলিতে ব্যবহার করার উদ্দেশ্যে, এমনকি লোয়ার-এন্ড ডিভাইসেও।
- বিশিষ্ট বস্তু সনাক্তকরণ স্বয়ংক্রিয়ভাবে একটি চিত্রের সবচেয়ে বিশিষ্ট বস্তু নির্ধারণ করুন।
- মোটা শ্রেণীবিভাগ বস্তুগুলিকে বিস্তৃত শ্রেণীতে শ্রেণীবদ্ধ করুন, যেগুলি আপনি আগ্রহী নন এমন বস্তুগুলিকে ফিল্টার করতে ব্যবহার করতে পারেন৷ নিম্নলিখিত বিভাগগুলি সমর্থিত: বাড়ির পণ্য, ফ্যাশন সামগ্রী, খাদ্য, গাছপালা এবং স্থান৷
- একটি কাস্টম মডেলের সাথে শ্রেণীবিভাগ নির্দিষ্ট অবজেক্ট বিভাগ সনাক্ত করতে বা ফিল্টার করতে আপনার নিজস্ব কাস্টম ইমেজ শ্রেণীবিভাগ মডেল ব্যবহার করুন। আপনার কাস্টম মডেলটিকে চিত্রের পটভূমি বাদ দিয়ে আরও ভাল কার্য সম্পাদন করুন৷
উদাহরণ ফলাফল
ইমেজ জুড়ে সবচেয়ে বিশিষ্ট বস্তু ট্র্যাকিং
নীচের উদাহরণটি ML Kit দ্বারা প্রদত্ত ডিফল্ট মোটা শ্রেণীবদ্ধকারী সহ তিনটি ধারাবাহিক ফ্রেমের ট্র্যাকিং ডেটা দেখায়৷
 | | ট্র্যাকিং আইডি | 0 | | সীমানা | (95, 45), (496, 45), (496, 240), (95, 240) | | শ্রেণী | PLACE | | শ্রেণীবিভাগের আস্থা | 0.9296875 |
|
 | | ট্র্যাকিং আইডি | 0 | | সীমানা | (৮৪, ৪৬), (৪৭৮, ৪৬), (৪৭৮, ২৪৭), (৮৪, ২৪৭) | | শ্রেণী | PLACE | | শ্রেণীবিভাগের আস্থা | 0.8710938 |
|
 | | ট্র্যাকিং আইডি | 0 | | সীমানা | (53, 45), (519, 45), (519, 240), (53, 240) | | শ্রেণী | PLACE | | শ্রেণীবিভাগের আস্থা | 0.8828125 |
|
ছবি: ক্রিশ্চিয়ান ফেরার [CC BY-SA 4.0]
একটি স্ট্যাটিক ইমেজে একাধিক বস্তু
নীচের উদাহরণটি এমএল কিট দ্বারা প্রদত্ত ডিফল্ট মোটা শ্রেণীবিভাগের সাথে চিত্রে সনাক্ত করা চারটি বস্তুর ডেটা দেখায়।
| অবজেক্ট 0 |
|---|
| সীমানা | (1, 97), (332, 97), (332, 332), (1, 332) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.95703125 |
| অবজেক্ট 1 |
|---|
| সীমানা | (186, 80), (337, 80), (337, 226), (186, 226) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.84375 |
| অবজেক্ট 2 |
|---|
| সীমানা | (296, 80), (472, 80), (472, 388), (296, 388) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.94921875 |
| অবজেক্ট 3 |
|---|
| সীমানা | (439, 83), (615, 83), (615, 306), (439, 306) |
| শ্রেণী | FASHION_Good |
| শ্রেণীবিভাগের আস্থা | 0.9375 |
একটি কাস্টম টেনসরফ্লো লাইট মডেল ব্যবহার করা হচ্ছে
ডিফল্ট মোটা ক্লাসিফায়ার পাঁচটি বিভাগের জন্য তৈরি করা হয়েছে, সনাক্ত করা বস্তু সম্পর্কে সীমিত তথ্য প্রদান করে। আপনার আরও বিশদে ধারণার একটি সংকীর্ণ ডোমেন কভার করে এমন একটি আরও বিশেষ শ্রেণিবদ্ধ মডেলের প্রয়োজন হতে পারে; উদাহরণস্বরূপ, ফুলের প্রজাতি বা খাদ্যের প্রকারের মধ্যে পার্থক্য করার জন্য একটি মডেল।
এই API আপনাকে বিস্তৃত উৎস থেকে কাস্টম ইমেজ শ্রেণীবিভাগের মডেলগুলিকে সমর্থন করে একটি নির্দিষ্ট ব্যবহারের ক্ষেত্রে উপযোগী করতে দেয়। আরও জানতে অনুগ্রহ করে ML কিট সহ কাস্টম মডেলগুলি পড়ুন৷ কাস্টম মডেলগুলি আপনার অ্যাপের সাথে বান্ডিল করা যেতে পারে বা ফায়ারবেস মেশিন লার্নিং এর মডেল ডিপ্লয়মেন্ট পরিষেবা ব্যবহার করে ক্লাউড থেকে গতিশীলভাবে ডাউনলোড করা যেতে পারে।
iOS অ্যান্ড্রয়েড
যদি প্রয়োজন হয়, অবজেক্ট ডিটেকশন এবং ট্র্যাকিং ইনপুট ইমেজ সাইজ এবং অ্যাসপেক্ট রেশিও সামঞ্জস্য করার জন্য বাইলিনিয়ার ইমেজ স্কেলিং এবং স্ট্রেচিং ব্যবহার করে যাতে সেগুলি অন্তর্নিহিত মডেলের প্রয়োজনীয়তার সাথে খাপ খায়।
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-08-29 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-08-29 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\u003cp\u003eML Kit's on-device API enables detection and tracking of objects within images or live camera feeds, working efficiently even on lower-end mobile devices.\u003c/p\u003e\n"],["\u003cp\u003eIt offers optional object classification using a built-in coarse classifier or your own custom TensorFlow Lite model for more specialized categorization.\u003c/p\u003e\n"],["\u003cp\u003eThe API can identify the most prominent object in an image and track it across frames, making it suitable for visual search applications.\u003c/p\u003e\n"],["\u003cp\u003eCustom models can be integrated to classify objects into specific categories, enhancing the functionality for tailored use cases.\u003c/p\u003e\n"],["\u003cp\u003eInput images are automatically preprocessed to fit model requirements, using bilinear scaling and stretching if necessary.\u003c/p\u003e\n"]]],["ML Kit's API enables on-device object detection and tracking in images or live feeds, optionally classifying them. It features fast detection, an optimized model for mobile, and prominent object identification. Objects can be classified into broad categories or with custom models. The API supports custom image classification models, including ones dynamically downloaded. Detected objects are tracked across frames, and the system adjusts input image size and aspect ratio as needed.\n"],null,["With ML Kit's on-device object detection and tracking API, you can detect\nand track objects in an image or live camera feed.\n\nOptionally, you can classify detected objects, either by using the coarse\nclassifier built into the API, or using your own custom image classification\nmodel. See [Using a custom TensorFlow Lite model](#custom-tflite) for more\ninformation.\n\nBecause object detection and tracking happens on the device, it works well as\nthe front end of the visual search pipeline. After you detect and filter\nobjects, you can pass them to a cloud backend, such as\n[Cloud Vision Product Search](https://cloud.google.com/vision/product-search/docs/).\n\n[iOS](/ml-kit/vision/object-detection/ios)\n[Android](/ml-kit/vision/object-detection/android)\n\nKey capabilities\n\n- **Fast object detection and tracking** Detect objects and get their locations in the image. Track objects across successive image frames.\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, and places.\n- **Classification with a custom model** Use your own custom image classification model to identify or filter specific object categories. Make your custom model perform better by leaving out background of the image.\n\nExample results\n\nTracking the most prominent object across images\n\nThe example below shows the tracking data from three successive frames with the\ndefault coarse classifier provided by ML Kit.\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\nThe example below shows the data for the four objects detected in the image with\nthe default coarse classifier provided by ML Kit.\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 |\n\nUsing a custom TensorFlow Lite model\n\nThe default coarse classifier is built for five categories, providing limited\ninformation about the detected objects. You might need a more specialized\nclassifier model that covers a narrower domain of concepts in more detail;\nfor example, a model to distinguish between species of flowers or types of\nfood.\n\nThis API lets you tailor to a particular use case by by supporting custom image\nclassification models from a wide range of sources. Please refer to\n[Custom models with ML Kit](/ml-kit/custom-models) to learn more. Custom models\ncan be bundled with your app or dynamically downloaded from the cloud using\nFirebase Machine Learning's Model deployment service.\n\n[iOS](/ml-kit/vision/object-detection/custom-models/ios)\n[Android](/ml-kit/vision/object-detection/custom-models/android)\n\nInput image preprocessing\n\nIf needed, object detection and tracking uses bilinear image scaling and\nstretching to adjust the input image size and aspect ratio so that they fit the\nrequirements of the underlying model."]]
