संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

इमेज लेबल करना

एमएल किट's इमेज लेबलिंग एपीआई की मदद से आप अलग-अलग कैटगरी के इमेज में मौजूद इकाइयों का पता लगा सकते हैं और उनसे जुड़ी जानकारी पा सकते हैं. डिफ़ॉल्ट इमेज लेबलिंग मॉडल से सामान्य चीज़ों, जगहों, गतिविधियों, जानवरों की खास जानकारी, प्रॉडक्ट वगैरह की पहचान की जा सकती है.

आप इस्तेमाल के किसी खास उदाहरण के हिसाब से, इमेज को पहचानने के लिए, कस्टम इमेज क्लासिफ़िकेशन मॉडल का भी इस्तेमाल कर सकते हैं. ज़्यादा जानकारी के लिए, कस्टम TensorFlow लाइट मॉडल का इस्तेमाल करना देखें.

मुख्य क्षमताएं

  • मकसद के आधार के लिए आधार तय करने वाली एक बेहतरीन कैटगरी फ़ोटो में आम तौर पर मिलने वाली चीज़ों के बारे में बताने वाली 400 से ज़्यादा श्रेणियों की पहचान करती है.
  • कस्टम मॉडल के साथ अपने उपयोग के उदाहरण को तैयार करें TenorFlow हब या TensorFlow, AutoML Vision Edge या TensorFlow Lite मॉडल मेकर से प्रशिक्षित अपने कस्टम मॉडल के ज़रिए पहले से प्रशिक्षित मॉडल का इस्तेमाल करना.
  • इस्तेमाल करने में आसान हाई लेवल एपीआई नीचे दिए गए मॉडल लेवल के इनपुट/आउटपुट, इमेज पहले से पोस्ट करने और पोस्ट-प्रोसेसिंग करने या संसाधन पाइपलाइन बनाने की ज़रूरत नहीं होती. ML किट, TensorFlow लाइट मॉडल से लेबल निकालता है और उन्हें टेक्स्ट के तौर पर दिखाता है.

ध्यान दें कि यह एपीआई पूरी इमेज के बारे में बताने वाले इमेज क्लासिफ़िकेशन मॉडल के लिए है. किसी इमेज में एक या एक से ज़्यादा ऑब्जेक्ट को कैटगरी में रखने के लिए, ऑब्जेक्ट का पता लगाना और उन्हें ट्रैक करना जैसे एपीआई बेहतर विकल्प हो सकते हैं.

इमेज क्लासिफ़िकेशन के ऐसे मॉडल जिनका इस्तेमाल किया जा सकता है

इमेज लेबलिंग एपीआई, इमेज की कैटगरी तय करने वाले अलग-अलग मॉडल के साथ काम करते हैं:

इमेज क्लासिफ़िकेशन के ऐसे मॉडल जिनका इस्तेमाल किया जा सकता है
बेस मॉडल एपीआई, डिफ़ॉल्ट रूप से इस्तेमाल किए गए सामान्य उद्देश्यों वाले इमेज लेबल का इस्तेमाल करता है. यह 400 से ज़्यादा इकाइयों की पहचान करता है, जो फ़ोटो में सबसे ज़्यादा पाए जाने वाले कॉन्सेप्ट को कवर करते हैं.
कस्टम TensorFlow लाइट मॉडल ऐप्लिकेशन से जुड़े कॉन्सेप्ट को टारगेट करने के लिए, एपीआई कई तरह के स्रोतों से इमेज की कैटगरी तय करने वाले कस्टम मॉडल स्वीकार करता है. इन्हें TensorFlow हब से डाउनलोड किया जा सकता है. इसके अलावा, आप अपने मॉडल को AutoML Vision Edge, TensorFlow Lite Model Maker या TensorFlow से ट्रेनिंग ले सकते हैं. मॉडल को आपके ऐप्लिकेशन के साथ बंडल किया जा सकता है या Firebase मशीन लर्निंग पर होस्ट किया जा सकता है. साथ ही, इसे रन-टाइम पर डाउनलोड किया जा सकता है.

बेस मॉडल का इस्तेमाल करना

एमएल किट का बेस मॉडल इकाइयों, चीज़ों, जगहों, गतिविधियों वगैरह की पहचान करने वाली इकाइयों की सूची दिखाता है. हर इकाई का स्कोर एक स्कोर के साथ दिखता है. इससे पता चलता है कि एमएल मॉडल कितना सही है. इस जानकारी की मदद से, आप अपने-आप मेटाडेटा जनरेट करने और कॉन्टेंट मॉडरेशन जैसे टास्क पूरा कर सकते हैं. एमएल किट वाला डिफ़ॉल्ट मॉडल, 400 से ज़्यादा अलग-अलग इकाइयां पहचानता है.

iOS Android

लेबल के उदाहरण

इमेज लेबलिंग एपीआई के बेस मॉडल में 400 से ज़्यादा लेबल काम करते हैं, जैसे कि ये उदाहरण:

कैटगरीलेबल के उदाहरण
लोग Crowd
Selfie
Smile
गतिविधियां Dancing
Eating
Surfing
चीज़ें Car
Piano
Receipt
जानवर Bird
Cat
Dog
पौधे Flower
Fruit
Vegetable
जगहें Beach
Lake
Mountain

परिणामों के उदाहरण

साथ में दी गई फ़ोटो में पहचानी गई इकाइयों का उदाहरण देखें.

फ़ोटो: Clément Bucco-Lechat / विकिमीडिया कॉमंस / CC BY-SA 3.0
लेबल 0
टेक्स्ट स्टेडियम
आत्मविश्वास 0.9205354
लेबल 1
टेक्स्ट खेल
आत्मविश्वास 0.7531109
लेबल 2
टेक्स्ट इवेंट
आत्मविश्वास 0.66905296
लेबल 3
टेक्स्ट फ़ुर्सत के पल
आत्मविश्वास 0.59904146
लेबल 4
टेक्स्ट सॉकर
आत्मविश्वास 0.56384534
लेबल 5
टेक्स्ट कुल
आत्मविश्वास 0.54679185
लेबल 6
टेक्स्ट पौधा
आत्मविश्वास 0.524364

कस्टम TensorFlow लाइट मॉडल का इस्तेमाल करना

ML किट और बुनियादी इमेज को लेबल करने का मॉडल, सामान्य इस्तेमाल के लिए बनाया गया है. इसे 400 ऐसी कैटगरी की पहचान करने के लिए ट्रेनिंग दी गई है जो फ़ोटो में सबसे ज़्यादा पाए जाने वाले ऑब्जेक्ट के बारे में बताती हैं. आपके ऐप्लिकेशन को इमेज की कैटगरी तय करने के लिए, एक खास मॉडल की ज़रूरत पड़ सकती है. यह मॉडल, ज़्यादा बारीकी से किसी कैटगरी की पहचान करता है. उदाहरण के लिए, एक ऐसा मॉडल जो अलग-अलग तरह के फूलों या खाने के अलग-अलग टाइप को अलग-अलग करता है.

यह एपीआई, कई तरह के सोर्स से कस्टम इमेज की कैटगरी तय करने वाले मॉडल के साथ काम करके, किसी खास तरह के इस्तेमाल के लिए तैयार करता है. ज़्यादा जानने के लिए, एमएल किट वाला कस्टम मॉडल देखें. कस्टम मॉडल को आपके ऐप्लिकेशन के साथ बंडल किया जा सकता है या Firebase मशीन लर्निंग's की मॉडल डिप्लॉयमेंट सेवा का इस्तेमाल करके, इन्हें क्लाउड से डाउनलोड किया जा सकता है.

iOS Android

इनपुट चित्र प्रीप्रोसेसिंग

अगर ज़रूरत हो, तो इमेज को लेबल करने के लिए बायलाइनर इमेज स्केलिंग का इस्तेमाल किया जाता है. साथ ही, इनपुट इमेज के साइज़ और आसपेक्ट रेशियो (चौड़ाई-ऊंचाई का अनुपात) में बदलाव करने के लिए, स्ट्रेचिंग का इस्तेमाल किया जाता है, ताकि यह अंदर वाले मॉडल की ज़रूरतों के मुताबिक हो.