透過集合功能整理內容 你可以依據偏好儲存及分類內容。

圖片標籤

有了機器學習套件的 # 圖片標籤 API,您就能偵測並擷取圖片類別中各種實體的實體資訊。預設圖片標籤模型可識別一般物件、地點、活動、動物特徵、產品等。

您也可以使用自訂圖片分類模型,來針對特定用途自訂偵測功能。詳情請參閱使用自訂 TensorFlow Lite 模型

主要功能

  • 強大的一般用途分類器能夠辨識超過 400 種類別,用於說明相片中最常出現的物件。
  • 根據自訂模型自訂應用實例 使用 TensorFlow Hub 的其他預先訓練模型,或是用 TensorFlow、AutoML Vision Edge 或 TensorFlow Lite Model maker 訓練的自訂模型。
  • 簡單好用的高階 API 無須處理低階模型的輸入/輸出、映像檔處理前後,或建構處理管道。機器學習套件會從 TensorFlow Lite 模型擷取標籤,並提供文字說明。

請注意,此 API 適用於描述完整圖片的圖片分類模型。分類圖片中的一或多個物件 (例如鞋子或家具) 時,Object Detection & Tracking API 可能較為適合。

支援的圖片分類模型

Image Labeling API 支援不同的圖片分類模型:

支援的圖片分類模型
基本模型 根據預設,API 會使用強大的通用圖片標籤模型,可辨識超過 400 個涵蓋相片中常見概念的實體。
自訂 TensorFlow Lite 模型 為了鎖定應用程式專屬概念,API 可接受多種來源的自訂圖片分類模型。這些預先訓練模型是從 TensorFlow Hub 下載,或是用 AutoML Vision Edge、TensorFlow Lite Model Maker 或 TensorFlow 本身訓練過的模型。可以與應用程式搭配使用的模型或可透過 Firebase 機器學習技術代管,並在執行階段下載模型。

使用基本模型

ML Kit 的基本模型會傳回可識別人物、事物、地點和活動等的實體清單。每個實體都有分數,用來表示機器學習模型對其關聯性。有了這項資訊,您就能執行自動中繼資料產生和內容審核等工作。使用 ML Kit 提供的預設模型辨識超過 400 個不同的實體

iOS Android

標籤範例

圖片標籤 API 中的基本模型支援 400 多個標籤,如以下範例所示:

類別標籤範例
人員 Crowd
Selfie
Smile
活動 Dancing
Eating
Surfing
事物 Car
Piano
Receipt
動物 Bird
Cat
Dog
植物 Flower
Fruit
Vegetable
地點 Beach
Lake
Mountain

搜尋結果範例

以下是附相片中辨識的實體範例。

相片:Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0
標籤 0
文字 體育館/體育場
信心 0.9205354
標籤 1
文字 運動
信心 0.7531109
標籤 2
文字 事件
信心 0.66905296
標籤 3
文字 休閒
信心 0.59904146
標籤 4
文字 足球
信心 0.56384534
標籤 5
文字 淨值
信心 0.54679185
標籤 6
文字 植物
信心 0.524364

使用自訂 TensorFlow Lite 模型

ML Kit 的基礎圖片標籤模型是專為一般用途所設計。該物件經過訓練,可辨識 400 個類別,以說明相片中最常出現的物件。您的應用程式可能需要專屬的圖片分類模型,可以更詳細地識別較少類別的類別,例如區分花卉或食物類型的模型。

這個 API 支援多種來源的自訂圖片分類模型,方便您依據特定用途自訂內容。詳情請參閱使用 ML Kit 自訂模型一文。自訂模型可以隨附於您的應用程式,也可透過 Firebase 機器學習模型模型部署服務從雲端動態下載。

iOS Android

輸入圖片預先處理

如有需要,圖片標籤會使用雙線性圖像縮放和延展輸入功能,調整輸入圖片大小和長寬比,以符合基本模型的要求。