קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
ממשקי ה-API של תיוג התמונות ב-ML Kit מאפשרים לזהות ולחלץ מידע על ישויות בתמונה בקבוצה רחבה של קטגוריות. המודל שמוגדר כברירת מחדל לתיוג תמונות יכול לזהות אובייקטים כלליים, מקומות, פעילויות, מינים של בעלי חיים, מוצרים ועוד.
מסווג בסיס מתקדם לשימוש כללי
מזהה יותר מ-400 קטגוריות שמתארות את האובייקטים הנפוצים ביותר בתמונות.
התאמה לתרחיש השימוש שלכם במודלים בהתאמה אישית
משתמשים במודלים אחרים שעברו אימון מ-TensorFlow Hub או במודל מותאם אישית שאומן בעזרת TensorFlow, AutoML Vision Edge או יצרן המודלים של TensorFlow Lite.
ממשקי API קלים לשימוש ברמה גבוהה
אין צורך להתעסק בקלט/פלט של מודל ברמה נמוכה, בשלבי עיבוד של תמונה לפני ואחרי העיבוד או בבניית צינור עיבוד נתונים. ML Kit מחלץ את התוויות מהמודל של TensorFlow Lite ומספק אותן כתיאור בטקסט.
שימו לב: ה-API הזה מיועד למודלים של סיווג תמונות שמתארים את התמונה המלאה. לסיווג אובייקט אחד או יותר בתמונה, כמו נעליים או חלקי ריהוט, ה-API של זיהוי אובייקטים ומעקב יכול להתאים יותר.
מודלים נתמכים לסיווג תמונות
ממשקי ה-API של תוויות לתמונות תומכים במודלים שונים של סיווג תמונות:
מודלים נתמכים לסיווג תמונות
מודל בסיסי
כברירת מחדל, ה-API משתמש במודל רב-עוצמה לתיוג תמונות
לשימוש כללי, שמזהה יותר מ-400 ישויות
שעוסקות במושגים הנפוצים ביותר בתמונות.
דגמים בהתאמה אישית של TensorFlow Lite
כדי לטרגט למושגים ספציפיים לאפליקציה, ה-API
מקבל מודלים מותאמים אישית לסיווג תמונות ממגוון רחב
של מקורות. אפשר ליצור מודלים שאומנו מראש
מ-TensorFlow Hub, או מודלים משלך שאומנו
באמצעות AutoML Vision Edge, TensorFlow Lite Model Maker או ב-TensorFlow
עצמו. אפשר לקבץ מודלים עם האפליקציה או לארח אותם יחד עם למידת מכונה ב-Firebase ולהוריד אותם בזמן הריצה.
באמצעות המודל הבסיסי
המודל הבסיסי של ML Kit מחזיר רשימה של ישויות שמזהות אנשים,
דברים, מקומות, פעילויות וכו'. לכל ישות יש ציון שמעיד על המהימנות של מודל למידת המכונה ברלוונטיות שלו. בעזרת המידע הזה תוכלו לבצע משימות כמו יצירה אוטומטית של מטא-נתונים וניהול תוכן. דגם ברירת המחדל שסופק עם ML Kit מזהה יותר מ-400 ישויות שונות.
המודל הבסיסי ב-API של תיוג תמונות תומך ביותר מ-400 תוויות, כמו
הדוגמאות הבאות:
קטגוריה
תוויות לדוגמה
משתתפים
Crowd Selfie Smile
פעילויות
Dancing Eating Surfing
דברים
Car Piano Receipt
בעלי חיים
Bird Cat Dog
צמחים
Flower Fruit Vegetable
מקומות
Beach Lake Mountain
תוצאות לדוגמה
הנה דוגמה לישויות שזוהו בתמונה הנלווית.
תמונה: Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0
תווית 0
טקסט
אצטדיון
מהימנות
0.9205354
תווית 1
טקסט
ספורט
מהימנות
0.7531109
תווית 2
טקסט
אירוע
מהימנות
0.66905296
תווית 3
טקסט
פנאי
מהימנות
0.59904146
תווית 4
טקסט
כדורגל
מהימנות
0.56384534
תווית 5
טקסט
נטו
מהימנות
0.54679185
תווית 6
טקסט
צמח
מהימנות
0.524364
שימוש במודל TensorFlow Lite בהתאמה אישית
המודל הבסיסי של הוספת תוויות לתמונות ב-ML Kit מיועד לשימוש כללי. הוא מאומן לזהות 400 קטגוריות שמתארות את האובייקטים הנפוצים ביותר בתמונות. יכול להיות שבאפליקציה שלכם נדרש מודל מיוחד לסיווג תמונות, שמזהה מספר מצומצם יותר של קטגוריות בפירוט רב יותר. למשל, מודל שמבדיל בין זני פרחים או סוגי מזון.
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 לצרף לאפליקציה או להוריד באופן דינמי מהענן באמצעות שירות פריסת המודלים של Firebase Machine Learning.
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2025-09-04 (שעון 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."]]
