bookmark_borderbookmark
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
plat_iosplat_android
Mit der On-Device-Objekterkennung und -verfolgung von ML Kit können Sie
und die wichtigsten Objekte in einer Bild- oder Livekamera in Echtzeit verfolgen
Feed. Optional können Sie erkannte Objekte auch einer von mehreren
allgemeine Kategorien.
Objekterkennung und -tracking mit grober Klassifizierung
visuelle Live-Sucherlebnisse. Weil Objekterkennung und -verfolgung
schnell und vollständig auf dem Gerät installiert, funktioniert es als Frontend eines längeren
visuelle Suchpipeline. Objekte, die erkannt und gefiltert wurden, können übergeben werden.
an ein Cloud-Back-End wie die Cloud Vision-Produktsuche,
oder einem benutzerdefinierten Modell, das Sie mit
AutoML Vision Edge.
Objekte erkennen und ihren Standort im Bild ermitteln. Objekte aufzeichnen auf
Bilder.
Optimiertes On-Device-Modell
Das Objekterkennungs- und Tracking-Modell ist für Mobilgeräte optimiert.
und für den Einsatz in Echtzeitanwendungen, auch an Low-End-
Geräte.
Erkennung von gut sichtbaren Objekten
Hiermit wird automatisch das auffälligste Objekt in einem Bild bestimmt.
Grobe Klassifizierung
Sie können Objekte in weit gefasste Kategorien einordnen, um sie herauszufiltern.
Objekte, die Sie nicht interessieren. Die folgenden Kategorien werden unterstützt:
Haushaltswaren, Mode, Lebensmittel, Pflanzen, Orte und Unbekannt.
Beispielergebnisse
Aufzeichnen des auffälligsten Objekts in Bildern
Tracking-ID
0
Grenzwerte
(95, 45), (496, 45), (496, 240), (95, 240)
Kategorie
ORT
Klassifizierungskonfidenz
0,9296875
Tracking-ID
0
Grenzwerte
(84, 46), (478, 46), (478, 247), (84, 247)
Kategorie
ORT
Klassifizierungskonfidenz
0,8710938
Tracking-ID
0
Grenzwerte
(53, 45), (519, 45), (519, 240), (53, 240)
Kategorie
ORT
Klassifizierungswahrscheinlichkeit
0,8828125
Foto: Christian Ferrer [CC BY-SA 4.0]
Mehrere Objekte in einem statischen Bild
Objekt 0
Grenzwerte
(1, 97), (332, 97), (332, 332), (1, 332)
Kategorie
FASHION_GOOD
Klassifizierungswahrscheinlichkeit
0,95703125
Object 1
Grenzwerte
(186, 80), (337, 80), (337, 226), (186, 226)
Kategorie
FASHION_GOOD
Klassifizierungskonfidenz
0,84375
Object 2
Grenzwerte
(296, 80), (472, 80), (472, 388), (296, 388)
Kategorie
FASHION_GOOD
Klassifizierungskonfidenz
0,94921875
Object 3
Grenzwerte
(439, 83), (615, 83), (615, 306), (439, 306)
Kategorie
FASHION_GOOD
Klassifizierungskonfidenz
0,9375
War das hilfreich?
Persönliche Empfehlungen
Informationen zu diesen Empfehlungen
Diese Empfehlungen helfen Ihnen, den gewünschten Inhalt zu finden. Empfehlungen können auf der gerade angesehenen Seite und auf Seiten basieren, die in Ihrem Konto gespeichert sind. Web- und App-Aktivitäten.
ML Kit for Firebase provided ready-to-use ML solutions for app developers. New apps should use the standalone ML Kit library for on-device ML and Firebase ML for cloud-based ML.
ML Kit for Firebase provided ready-to-use ML solutions for app developers. New apps should use the standalone ML Kit library for on-device ML and Firebase ML for cloud-based ML.
ML Kit for Firebase provided ready-to-use ML solutions for app developers. New apps should use the standalone ML Kit library for on-device ML and Firebase ML for cloud-based ML.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2024-09-12 (UTC)."],[],[]]