با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
با APIهای برچسب‌گذاری تصویر ML Kit می‌توانید اطلاعات موجودات موجود در یک تصویر را در گروه گسترده‌ای از دسته‌ها شناسایی و استخراج کنید. مدل برچسب‌گذاری تصویر پیش‌فرض می‌تواند اشیاء عمومی، مکان‌ها، فعالیت‌ها، گونه‌های جانوری، محصولات و موارد دیگر را شناسایی کند.
یک طبقه‌بندی‌کننده پایه همه منظوره قدرتمند بیش از 400 دسته را تشخیص می‌دهد که متداول‌ترین اشیا را در عکس‌ها توصیف می‌کنند.
با استفاده از مدل‌های سفارشی، از مدل‌های از پیش آموزش‌دیده دیگر TensorFlow Hub یا مدل سفارشی خود که با TensorFlow، AutoML Vision Edge یا TensorFlow Lite Model سازنده آموزش دیده‌اند، استفاده کنید.
APIهای سطح بالا با کاربری آسان، نیازی به پرداختن به ورودی/خروجی مدل سطح پایین، پردازش تصویر قبل و بعد، یا ساخت خط لوله پردازش نیست. ML Kit برچسب ها را از مدل TensorFlow Lite استخراج می کند و آنها را به عنوان توضیحات متنی ارائه می دهد.
توجه داشته باشید که این API برای مدل های طبقه بندی تصویر که تصویر کامل را توصیف می کنند در نظر گرفته شده است. برای طبقه‌بندی یک یا چند شیء در یک تصویر، مانند کفش‌ها یا تکه‌های مبلمان، API تشخیص و ردیابی شیء ممکن است مناسب‌تر باشد.
مدل های طبقه بندی تصویر پشتیبانی شده
Image Labeling API از مدل های مختلف طبقه بندی تصویر پشتیبانی می کند:
مدل های طبقه بندی تصویر پشتیبانی شده
مدل پایه
API به طور پیش‌فرض از یک مدل برچسب‌گذاری تصویر همه منظوره قدرتمند استفاده می‌کند که بیش از 400 موجودیت را شناسایی می‌کند که متداول‌ترین مفاهیم در عکس‌ها را پوشش می‌دهند.
مدل های سفارشی TensorFlow Lite
برای هدف قرار دادن مفاهیم خاص برنامه، API مدل های طبقه بندی تصویر سفارشی را از طیف گسترده ای از منابع می پذیرد. اینها می توانند مدل های از پیش آموزش دیده دانلود شده از TensorFlow Hub یا مدل های خودتان باشند که با AutoML Vision Edge، TensorFlow Lite Model Maker یا خود TensorFlow آموزش دیده اند. مدل‌ها را می‌توان با برنامه شما همراه کرد یا با Firebase Machine Learning میزبانی کرد و در زمان اجرا دانلود کرد.
با استفاده از مدل پایه
مدل پایه ML Kit فهرستی از موجودیت هایی را برمی گرداند که افراد، اشیا، مکان ها، فعالیت ها و غیره را شناسایی می کنند. هر موجودیت دارای امتیازی است که نشان دهنده اطمینان مدل ML به ارتباط آن است. با این اطلاعات می توانید کارهایی مانند تولید خودکار ابرداده و تعدیل محتوا را انجام دهید. مدل پیش فرض ارائه شده با کیت ML بیش از 400 موجودیت مختلف را شناسایی می کند.
مدل پایه در API برچسب‌گذاری تصویر از بیش از 400 برچسب پشتیبانی می‌کند، مانند مثال‌های زیر:
دسته بندی
برچسب های نمونه
مردم
Crowd Selfie Smile
فعالیت ها
Dancing Eating Surfing
چیزها
Car Piano Receipt
حیوانات
Bird Cat Dog
گیاهان
Flower Fruit Vegetable
مکان ها
Beach Lake Mountain
نتایج نمونه
در اینجا نمونه ای از موجودیت هایی است که در عکس همراه شناسایی شده اند.
عکس: کلمنت بوکو-لشات / ویکی مدیا / CC BY-SA 3.0
برچسب 0
متن
استادیوم
اعتماد به نفس
0.9205354
برچسب 1
متن
ورزش ها
اعتماد به نفس
0.7531109
برچسب 2
متن
رویداد
اعتماد به نفس
0.66905296
برچسب 3
متن
اوقات فراغت
اعتماد به نفس
0.59904146
برچسب 4
متن
فوتبال
اعتماد به نفس
0.56384534
برچسب 5
متن
خالص
اعتماد به نفس
0.54679185
برچسب 6
متن
گیاه
اعتماد به نفس
0.524364
با استفاده از یک مدل سفارشی TensorFlow Lite
مدل برچسب‌گذاری تصویر پایه کیت ML برای استفاده عمومی ساخته شده است. این آموزش برای تشخیص 400 دسته که رایج ترین اشیاء یافت شده را در عکس ها توصیف می کنند، آموزش دیده است. برنامه شما ممکن است به یک مدل طبقه‌بندی تصویر تخصصی نیاز داشته باشد که تعداد محدودتری از دسته‌ها را با جزئیات بیشتر تشخیص دهد، مانند مدلی که بین گونه‌های گل یا انواع غذا تمایز قائل شود.
این API به شما امکان می‌دهد با پشتیبانی از مدل‌های طبقه‌بندی تصویر سفارشی از طیف گسترده‌ای از منابع، برای یک مورد خاص استفاده کنید. لطفاً برای کسب اطلاعات بیشتر به مدل های سفارشی با کیت ML مراجعه کنید. با استفاده از سرویس استقرار مدل Firebase Machine Learning، می‌توان مدل‌های سفارشی را با برنامه‌تان همراه کرد یا به‌صورت پویا از ابر دانلود کرد.
در صورت نیاز، Image Labeling از مقیاس بندی و کشش تصویر دوخطی برای تنظیم اندازه تصویر ورودی و نسبت ابعاد استفاده می کند تا مطابق با الزامات مدل اصلی باشد.
تاریخ آخرین بهروزرسانی 2025-08-29 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-08-29 بهوقت ساعت هماهنگ جهانی."],[[["\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."]]
