זיהוי אובייקטים ומעקב אחריהם
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
בעזרת ה-API לזיהוי אובייקטים ולמעקב אחר אובייקטים במכשיר של ML Kit, אפשר לזהות אובייקטים ולעקוב אחריהם בתמונות או בפיד מצלמה בשידור חי.
אפשר לסווג אובייקטים שזוהו באמצעות סיווג גס שמובנה ב-API או באמצעות מודל משלכם לסיווג תמונות, בהתאמה אישית. למידע נוסף, ראו שימוש במודל TensorFlow Lite בהתאמה אישית.
מכיוון שזיהוי האובייקטים והמעקב מתרחשים במכשיר, הם פועלים היטב גם בממשק הקצה של צינור עיבוד הנתונים של החיפוש החזותי. אחרי שמזהים ומסננים אובייקטים, אפשר להעביר אותם לקצה העורפי בענן, למשל Cloud Vision Product Search.
iOS
Android
יכולות עיקריות
- זיהוי ומעקב מהירים של אובייקטים
זיהוי אובייקטים והצגת המיקומים שלהם בתמונה. לעקוב אחרי אובייקטים בפריימים עוקבים של תמונות.
- מודל מותאם במכשיר
המודל לזיהוי ולמעקב של אובייקטים מותאם לניידים
ומיועד לשימוש באפליקציות בזמן אמת, גם במכשירים פחות מתקדמים.
- זיהוי אובייקטים בולטים
זיהוי אוטומטי של האובייקט הבולט ביותר בתמונה.
- סיווג גס
סיווג אובייקטים לקטגוריות רחבות, שבהן אפשר להשתמש כדי לסנן אובייקטים שלא מעניינים אתכם. הקטגוריות הבאות נתמכות:
מוצרים לבית, אופנה, אוכל, צמחים ומקומות.
- סיווג באמצעות מודל מותאם אישית
שימוש במודל משלכם לסיווג תמונות של תמונות כדי לזהות או לסנן קטגוריות ספציפיות של אובייקטים. אפשר לשפר את הביצועים של המודל המותאם אישית
על ידי השמטת רקע התמונה.
תוצאות לדוגמה
מעקב אחר האובייקט הבולט ביותר בתמונות
בדוגמה הבאה מוצגים נתוני המעקב משלוש פריימים עוקבים עם המסווג הגס שמוגדר כברירת מחדל דרך ML Kit.
 |
| מזהה לצורכי מעקב |
0 |
| גבולות |
(95, 45), (496, 45), (496, 240), (95, 240) |
| קטגוריה |
מקום |
| רמת המהימנות של הסיווג |
0.9296875 |
|
 |
| מזהה לצורכי מעקב |
0 |
| גבולות |
(84, 46), (478, 46), (478, 247), (84, 247) |
| קטגוריה |
מקום |
| רמת המהימנות של הסיווג |
0.8710938 |
|
 |
| מזהה לצורכי מעקב |
0 |
| גבולות |
(53, 45), (519, 45), (519, 240), (53, 240) |
| קטגוריה |
מקום |
| רמת המהימנות של הסיווג |
0.8828125 |
|
תמונה: כריסטיאן פרר [CC BY-SA 4.0]
מספר אובייקטים בתמונה סטטית
בדוגמה הבאה מוצגים הנתונים של ארבעת האובייקטים שזוהו בתמונה באמצעות המסווג הגס שמוגדר כברירת מחדל ב-ML Kit.
| אובייקט 0 |
| גבולות |
(1, 97), (332, 97), (332, 332), (1, 332) |
| קטגוריה |
FASHION_GOOD |
| רמת המהימנות של הסיווג |
0.95703125 |
| אובייקט 1 |
| גבולות |
(186, 80), (337, 80), (337, 226), (186, 226) |
| קטגוריה |
FASHION_GOOD |
| רמת המהימנות של הסיווג |
0.84375 |
| אובייקט 2 |
| גבולות |
(296, 80), (472, 80), (472, 388), (296, 388) |
| קטגוריה |
FASHION_GOOD |
| רמת המהימנות של הסיווג |
0.94921875 |
| אובייקט 3 |
| גבולות |
(439, 83), (615, 83), (615, 306), (439, 306) |
| קטגוריה |
FASHION_GOOD |
| רמת המהימנות של הסיווג |
0.9375 |
שימוש במודל TensorFlow Lite בהתאמה אישית
המסווג הגס, המוגדר כברירת מחדל, בנוי לחמש קטגוריות, ומספק מידע מוגבל על האובייקטים שזוהו. יכול להיות שתצטרכו מודל סיווג מיוחד יותר שעוסק בדומיין מצומצם יותר של מושגים. לדוגמה, מודל להבחנה בין מיני פרחים או סוגי מזון שונים.
ה-API הזה מאפשר לכם להתאים אישית את התרחיש לדוגמה על ידי תמיכה במודלים לסיווג תמונות בהתאמה אישית ממגוון רחב של מקורות. למידע נוסף, ראו מודלים מותאמים אישית באמצעות ML Kit. את המודלים בהתאמה אישית אפשר להתקין בחבילה עם האפליקציה או להוריד באופן דינמי מהענן באמצעות שירות פריסת המודלים של למידת המכונה ב-Firebase.
iOS
Android
במקרה הצורך, הזיהוי והמעקב אחר אובייקטים משתמשים בשינוי גודל תמונה דו-לינארית ובמתיחה כדי להתאים את הגודל ואת יחס הגובה-רוחב של תמונות הקלט, כך שיתאימו לדרישות של המודל הבסיסי.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-08-29 (שעון UTC).
[null,null,["עדכון אחרון: 2025-08-29 (שעון UTC)."],[[["\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."]]
