Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
ML Kit'in görüntü etiketleme API'leri sayesinde çok çeşitli kategorilerde bulunan bir görüntüdeki varlıklarla ilgili bilgileri algılayıp ayıklayabilirsiniz. Varsayılan resim etiketleme modeli; genel nesneleri, yerleri, etkinlikleri, hayvan türlerini, ürünleri ve daha fazlasını tanımlayabilir.
Algılamayı belirli bir kullanım alanına uyarlamak için özel bir görüntü sınıflandırma modeli de kullanabilirsiniz. Daha fazla bilgi için Özel bir TensorFlow Lite modeli kullanma bölümüne bakın.
Temel özellikler
Genel amaçlı, güçlü bir temel sınıflandırıcı
Fotoğraflarda en yaygın olarak bulunan nesneleri tanımlayan 400'den fazla kategoriyi tanır.
Özel modellerle kullanım alanınıza göre uyarlayın
TensorFlow Hub'daki önceden eğitilmiş diğer modelleri veya TensorFlow, AutoML Vision Edge ya da TensorFlow Lite Model oluşturucusu ile eğitilmiş kendi özel modelinizi kullanın.
Kullanımı kolay üst düzey API'ler
Düşük düzeyli model giriş/çıkışı, görüntü öncesi ve sonrası işleme veya işleme ardışık düzeni oluşturma işlemleriyle uğraşmaya gerek yoktur. ML Kit, etiketleri TensorFlow Lite modelinden alıp metin açıklaması olarak sunar.
Bu API'nin, tam görüntüyü açıklayan görüntü sınıflandırma modelleri için tasarlandığını unutmayın. Bir resimdeki ayakkabı veya mobilya gibi bir veya daha fazla nesneyi sınıflandırmak için Nesne Algılama ve İzleme API'si daha uygun olabilir.
Desteklenen görüntü sınıflandırma modelleri
Görüntü Etiketleme API'leri farklı görüntü sınıflandırma modellerini destekler:
Desteklenen görüntü sınıflandırma modelleri
Temel model
API, varsayılan olarak fotoğraflarda en sık karşılaşılan kavramları kapsayan 400'den fazla varlığı tanıyan güçlü bir genel amaçlı resim etiketleme modeli kullanır.
Özel TensorFlow Lite modelleri
API, uygulamaya özel kavramları hedeflemek için çok çeşitli kaynaklardan özel görüntü sınıflandırma modellerini kabul eder. Bunlar, TensorFlow Hub'dan indirilen önceden eğitilmiş modeller veya AutoML Vision Edge, TensorFlow Lite Model Maker ya da TensorFlow'un kendisi ile eğitilmiş kendi modelleriniz olabilir. Modeller, uygulamanızla birlikte paket haline getirilebilir veya Firebase Makine Öğrenimi ile barındırılabilir ve çalışma zamanında indirilebilir.
Temel modeli kullanma
ML Kiti'nin temel modeli; kişileri, nesneleri, yerleri, etkinlikleri ve benzerlerini tanımlayan bir varlık listesi sunar. Her varlık, ML modelinin alaka düzeyine ne kadar güvendiğini gösteren bir puana sahiptir. Bu bilgiler sayesinde otomatik meta veri oluşturma ve içerik moderasyonu gibi görevleri gerçekleştirebilirsiniz. ML Kiti ile sağlanan varsayılan model 400'den fazla farklı varlığı tanır.
Görüntü etiketleme API'sindeki temel model, aşağıdaki örnekler gibi 400'den fazla etiketi destekler:
Kategori
Örnek etiketler
Kişiler
Crowd Selfie Smile
Etkinlikler
Dancing Eating Surfing
Nesneler
Car Piano Receipt
Hayvanlar
Bird Cat Dog
Bitkiler
Flower Fruit Vegetable
Yerler
Beach Lake Mountain
Örnek sonuçlar
Fotoğrafta tanınan varlıkların bir örneğini burada görebilirsiniz.
Fotoğraf: Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0
Etiket 0
Metin
Stadyum
Güven
0,9205354
1. etiket
Metin
Spor
Güven
0,7531109
Etiket 2
Metin
Etkinlik
Güven
0,66905296
Etiket 3
Metin
Boş zaman
Güven
0,59904146
Etiket 4
Metin
Futbol
Güven
0,56384534
Etiket 5
Metin
Net
Güven
0,54679185
Etiket 6
Metin
Bitki
Güven
0,524364
Özel bir TensorFlow Lite modeli kullanma
ML Kit'in temel görüntü etiketleme modeli, genel amaçlı kullanım için tasarlanmıştır. Fotoğraflarda en sık bulunan nesneleri tanımlayan 400 kategoriyi tanıyacak şekilde eğitilmiştir. Uygulamanız, daha dar sayıda kategoriyi daha ayrıntılı olarak tanıyan özel bir resim sınıflandırma modeline (ör. çiçek türlerini veya yiyecek türlerini ayıran bir model) ihtiyaç duyabilir.
Bu API, çok çeşitli kaynaklardan özel görüntü sınıflandırma modellerini destekleyerek belirli bir kullanım alanına göre özelleştirme yapmanıza olanak tanır. Daha fazla bilgi edinmek için lütfen Makine Öğrenimi Kiti ile özel modeller bölümüne bakın. Özel modeller, uygulamanızla birlikte paket haline getirilebilir veya Firebase Makine Öğrenimi'nin Model dağıtım hizmeti kullanılarak buluttan dinamik olarak indirilebilir.
Gerekirse Görüntü Etiketleme, giriş resim boyutunu ve en boy oranını temel modelin gereksinimlerini karşılayacak şekilde ayarlamak için iki doğrusal görüntü ölçeklendirme ve genişletme kullanır.
[[["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: 2025-09-04 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."]]
