bookmark_borderbookmark
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
plat_iosplat_android
Makine Öğrenimi Kiti'nin cihaz üzerinde nesne algılama ve izleme API'si sayesinde,
ve bir resimdeki veya canlı kameradaki en belirgin nesneleri gerçek zamanlı olarak izleyebilirsiniz
feed'i seçin. Ayrıca isteğe bağlı olarak, algılanan nesneleri birkaç farklı segmentten birine sınıflandırabilirsiniz.
yardımcı olur.
Kaba sınıflandırma ile nesne algılama ve izleme, çeşitli nesneleri tanımlamak için yararlıdır.
canlı görsel arama deneyimleri oluşturun. Çünkü nesne algılama ve izleme,
olarak çalışırsa daha uzun bir kullanıcı deneyiminin
görsel arama ardışık düzeni üzerinde çalışır. Nesneleri tespit edip filtreledikten sonra bunları aktarabilirsiniz
Cloud Vision Product Search gibi bir bulut arka ucuna
kullanarak eğittiğiniz modele, örneğin
AutoML Vision Edge'i tıklayın.
Nesne algılama ve izleme modeli, mobil cihazlar için optimize edilmiştir
ve düşük uçlu cihazlarda bile gerçek zamanlı uygulamalarda
kullanılmak üzere tasarlanmıştır.
cihazlar.
Belirgin nesne algılama
Bir resimdeki en belirgin nesneyi otomatik olarak belirleyin.
Kaba sınıflandırma
Nesneleri filtreleyip hariç tutmak için kullanabileceğiniz geniş kategorilere ayırma
ilgisiz nesneler bulunur. Aşağıdaki kategoriler desteklenir:
ev eşyaları, moda ürünleri, yiyecekler, bitkiler, yerler ve bilinmeyenleri içerir.
Örnek sonuçlar
Resimlerde en belirgin nesneyi izleme
İzleme Kimliği
0
Sınırlar
(95, 45), (496, 45), (496, 240), (95, 240)
Kategori
YER
Sınıflandırma güveni
0,9296875
İzleme Kimliği
0
Sınırlar
(84, 46), (478, 46), (478, 247), (84, 247)
Kategori
YER
Sınıflandırma güveni
0,8710938
İzleme Kimliği
0
Sınırlar
(53, 45), (519, 45), (519, 240), (53, 240)
Kategori
YER
Sınıflandırma güveni
0,8828125
Fotoğraf: Christian Ferrer [CC BY-SA 4.0]
Statik bir resimdeki birden çok nesne
Nesne 0
Sınırlar
(1, 97), (332, 97), (332, 332), (1, 332)
Kategori
FASHION_GOOD
Sınıflandırma güveni
0,95703125
Nesne 1
Sınırlar
(186, 80), (337, 80), (337, 226), (186, 226)
Kategori
FASHION_GOOD
Sınıflandırma güveni
0,84375
Nesne 2
Sınırlar
(296, 80), (472, 80), (472, 388), (296, 388)
Kategori
FASHION_GOOD
Sınıflandırma güveni
0,94921875
Nesne 3
Sınırlar
(439, 83), (615, 83), (615, 306), (439, 306)
Kategori
FASHION_GOOD
Sınıflandırma güveni
0,9375
Bu size yardımcı oldu mu?
Sizin için önerilenler
Bu öneriler hakkında
Bu öneriler, aradığınız içeriği bulmanıza yardımcı olur. Öneriler, görüntülemekte olduğunuz sayfayı ve hesabınızda kayıtlı şu verileri temel alır: web ve uygulama etkinliği.
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.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2025-02-28 UTC."],[],[]]