استدعاء واجهة برمجة تطبيقات تحليل الصور 3.2

توضح هذه المقالة كيفية استدعاء واجهة برمجة تطبيقات تحليل الصور 3.2 لإرجاع معلومات حول الميزات المرئية للصورة. كما يوضح لك كيفية تحليل المعلومات التي تم إرجاعها باستخدام مجموعات SDK للعميل أو واجهة برمجة تطبيقات REST.

يفترض هذا الدليل أنك قمت بالفعل بإنشاء مورد Vision وحصلت على عنوان URL للمفتاح ونقطة النهاية. إذا كنت تستخدم عميل SDK، فستحتاج أيضاً إلى مصادقة عنصر عميل. إذا لم تكن قد نفذت هذه الخطوات، فاتبع تشغيل سريع للبدء.

إرسال البيانات إلى الخدمة

يستخدم التعليمة البرمجية الموجود في هذا الدليل الصور البعيدة المشار إليها بواسطة URL. قد ترغب في تجربة صور مختلفة بنفسك لمعرفة القدرة الكاملة لميزات تحليل الصورة.

بقيه

عند تحليل صورة بعيدة، يمكنك تحديد عنوان URL للصورة عن طريق تنسيق نص الطلب كما يلي: {"url":"http://example.com/images/test.jpg"}.

لتحليل صورة محلية، يمكنك وضع بيانات الصورة الثنائية في نص طلب HTTP.

C#‎

في فصلك الرئيسي، احفظ مرجعاً لعنوان URL للصورة التي تريد تحليلها.

// URL image used for analyzing an image (image of puppy)
private const string ANALYZE_URL_IMAGE = "https://moderatorsampleimages.blob.core.windows.net/samples/sample16.png";

تلميح

يمكنك أيضًا تحليل صورة محلية. راجع أساليب ComputerVisionClient مثل AnalyzeImageInStreamAsync. أو راجع نموذج التعليمات البرمجية على GitHub لمعرفة السيناريوهات التي تتضمن صورًا محلية.

Java

في فصلك الرئيسي، احفظ مرجعاً لعنوان URL للصورة التي تريد تحليلها.

String pathToRemoteImage = "https://github.com/Azure-Samples/cognitive-services-sample-data-files/raw/master/ComputerVision/Images/faces.jpg";

تلميح

يمكنك أيضًا تحليل صورة محلية. راجع أساليب ComputerVision مثل AnalyzeImage. أو راجع نموذج التعليمات البرمجية على GitHub لمعرفة السيناريوهات التي تتضمن صورًا محلية.

جافا سكريبت

في الدالة الرئيسية، احفظ مرجعاً إلى عنوان URL للصورة التي تريد تحليلها.

const describeURL = 'https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/ComputerVision/Images/celebrities.jpg';

تلميح

يمكنك أيضًا تحليل صورة محلية. راجع أساليب ComputerVisionClient، مثل describeImageInStream. أو راجع نموذج التعليمات البرمجية على GitHub لمعرفة السيناريوهات التي تتضمن صورًا محلية.

Python

احفظ مرجع إلى عنوان URL للصورة التي تريد تحليلها.

remote_image_url = "https://moderatorsampleimages.blob.core.windows.net/samples/sample16.png"

تلميح

يمكنك أيضًا تحليل صورة محلية. راجع أساليب ComputerVisionClientOperationsMixin مثل analyze_image_in_stream. أو راجع نموذج التعليمات البرمجية على GitHub لمعرفة السيناريوهات التي تتضمن صورًا محلية.

تحديد كيفية معالجة البيانات

تحديد الخصائص المرئية

يتيح لك Analyze API الوصول إلى جميع خصائص تحليل الصور الخاصة بالخدمة. اختر العمليات التي تريد القيام بها بناءً على حالة الاستخدام الخاصة بك. راجع نظرة عامة للحصول على وصف لكل ميزة. تضيف الأمثلة الموجودة في الأقسام أدناه جميع الميزات المرئية المتوفرة، ولكن للاستخدام العملي، ستحتاج على الأرجح إلى واحد أو اثنين فقط.

بقيه

يمكنك تحديد الميزات التي تريد استخدامها عن طريق تعيين معامِلات استعلام عنوان URL لـ تحليل واجهة برمجة التطبيقات. يمكن أن تحتوي المعلمة على قيم متعددة، مفصولة بفواصل. ستتطلب كل ميزة تحددها وقتاً أطول للحساب، لذا حدد فقط ما تحتاجه.

معلمة URL	قيمة	‏‏الوصف
features	Read	يقرأ النص المرئي في الصورة ويخرجه كبيانات JSON منظمة.
features	Description	وصف محتوى الصورة بجملة كاملة باللغات المدعومة.
features	SmartCrops	البحث عن إحداثيات المستطيل التي من شأنها قص الصورة إلى نسبة العرض إلى الارتفاع المطلوبة مع الحفاظ على منطقة الاهتمام.
features	Objects	اكتشاف العديد من الكائنات داخل الصورة، بما في ذلك الموقع التقريبي. تتوفر وسيطة الكائنات باللغة الإنجليزية فقط.
features	Tags	وسم الصورة بقائمة مفصّلة من الكلمات المتعلقة بمحتوى الصورة.

قد يبدو عنوان URL المعبأ بالشكل التالي:

<endpoint>/vision/v3.2/analyze?visualFeatures=Tags

C#‎

حدد أسلوبك الجديد لتحليل الصور. قم بإضافة التعليمات البرمجية أدناه التي تقوم بتحديد الميزات المرئية التي ترغب في استخراجها في تحليلك. راجع تعداد VisualFeatureTypes للحصول على قائمة كاملة.

/* 
 * ANALYZE IMAGE - URL IMAGE
 * Analyze URL image. Extracts captions, categories, tags, objects, faces, racy/adult/gory content,
 * brands, celebrities, landmarks, color scheme, and image types.
 */
public static async Task AnalyzeImageUrl(ComputerVisionClient client, string imageUrl)
{
    Console.WriteLine("----------------------------------------------------------");
    Console.WriteLine("ANALYZE IMAGE - URL");
    Console.WriteLine();

    // Creating a list that defines the features to be extracted from the image. 

    List<VisualFeatureTypes?> features = new List<VisualFeatureTypes?>()
    {
        VisualFeatureTypes.Categories, VisualFeatureTypes.Description,
        VisualFeatureTypes.Faces, VisualFeatureTypes.ImageType,
        VisualFeatureTypes.Tags, VisualFeatureTypes.Adult,
        VisualFeatureTypes.Color, VisualFeatureTypes.Brands,
        VisualFeatureTypes.Objects
    };

Java

حدد الميزات المرئية التي ترغب في استخراجها في تحليلك. راجع تعداد VisualFeatureTypes للحصول على قائمة كاملة.

// This list defines the features to be extracted from the image.
List<VisualFeatureTypes> featuresToExtractFromRemoteImage = new ArrayList<>();
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.DESCRIPTION);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.CATEGORIES);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.TAGS);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.FACES);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.ADULT);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.COLOR);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.IMAGE_TYPE);

جافا سكريبت

حدد الميزات المرئية التي ترغب في استخراجها في تحليلك. راجع تعداد VisualFeatureTypes للحصول على قائمة كاملة.

// Get the visual feature for analysis
const features = ['Categories','Brands','Adult','Color','Description','Faces','Image_type','Objects','Tags'];
const domainDetails = ['Celebrities','Landmarks'];

Python

حدد الميزات المرئية التي ترغب في استخراجها في تحليلك. راجع تعداد VisualFeatureTypes للحصول على قائمة كاملة.

print("===== Analyze an image - remote =====")
# Select the visual feature(s) you want.
remote_image_features = [VisualFeatureTypes.categories,VisualFeatureTypes.brands,VisualFeatureTypes.adult,VisualFeatureTypes.color,VisualFeatureTypes.description,VisualFeatureTypes.faces,VisualFeatureTypes.image_type,VisualFeatureTypes.objects,VisualFeatureTypes.tags]
remote_image_details = [Details.celebrities,Details.landmarks]

تحديد اللغات

يمكنك أيضاً تحديد لغة البيانات التي تم إرجاعها.

بقيه

تحدد معلمة استعلام عنوان URL التالية اللغة. القيمة الافتراضية هي en.

معلمة URL	قيمة	‏‏الوصف
language	en	الإنجليزية
language	es	الإسبانية
language	ja	اليابانية
language	pt	البرتغالية
language	zh	الصينية المبسطة

قد يبدو عنوان URL المعبأ بالشكل التالي:

<endpoint>/vision/v3.2/analyze?visualFeatures=Tags&language=en

C#‎

استخدم معلمة language لاستدعاء AnalyzeImageAsync لتحديد لغة. قد يبدو استدعاء الأسلوب الذي يحدد لغة كما يلي.

ImageAnalysis results = await client.AnalyzeImageAsync(imageUrl, visualFeatures: features, language: "en");

Java

استخدم الإدخال AnalyzeImageOptionalParameter في استدعاء التحليل لتحديد اللغة. قد يبدو استدعاء الأسلوب الذي يحدد لغة كما يلي.

ImageAnalysis analysis = compVisClient.computerVision().analyzeImage().withUrl(pathToRemoteImage)
    .withVisualFeatures(featuresToExtractFromLocalImage)
    .language("en")
    .execute();

جافا سكريبت

استخدم خاصية language للإدخال ComputerVisionClientAnalyzeImageOptionalParams في استدعاء التحليل الخاص بك لتحديد لغة. قد يبدو استدعاء الأسلوب الذي يحدد لغة كما يلي.

const result = (await computerVisionClient.analyzeImage(imageURL,{visualFeatures: features, language: 'en'}));

Python

استخدم معلمة language لاستدعاء analysis_image لتحديد اللغة. قد يبدو استدعاء الأسلوب الذي يحدد لغة كما يلي.

results_remote = computervision_client.analyze_image(remote_image_url , remote_image_features, remote_image_details, 'en')

الحصول على نتائج من الخدمة

يوضح لك هذا القسم كيفية تحليل نتائج استدعاء API. يتضمن استدعاء API نفسه.

إشعار

استدعاءات واجهة برمجة التطبيقات ذات النطاق

يمكن استدعاء بعض الخصائص في تحليل الصور مباشرة من خلال استدعاء تحليل واجهة برمجة التطبيقات. على سبيل المثال، يمكنك إجراء تحليل محدد النطاق لعلامات الصور فقط عن طريق تقديم طلب إلى <endpoint>/vision/v3.2/tag (أو إلى الطريقة المقابلة في SDK). يرجى مراجعة الوثائق المرجعية للخصائص الأخرى التي يمكن استدعاؤها بشكل منفصل.

بقيه

ترجع الخدمة الاستجابة 200 HTTP، ويحتوي النص على البيانات التي تم إرجاعها في شكل سلسلة JSON. النص التالي هو مثال على استجابة JSON.

{
    "metadata":
    {
        "width": 300,
        "height": 200
    },
    "tagsResult":
    {
        "values":
        [
            {
                "name": "grass",
                "confidence": 0.9960499405860901
            },
            {
                "name": "outdoor",
                "confidence": 0.9956876635551453
            },
            {
                "name": "building",
                "confidence": 0.9893627166748047
            },
            {
                "name": "property",
                "confidence": 0.9853052496910095
            },
            {
                "name": "plant",
                "confidence": 0.9791355729103088
            }
        ]
    }
}

رموز الخطأ

راجع القائمة التالية للأخطاء المحتملة وأسبابها:

• 400
  • InvalidImageUrl - تنسيق عنوان URL الخاص بالصورة سيئاً أو لا يمكن الوصول إليه.
  • InvalidImageFormat - بيانات الإدخال ليست صورة صالحة.
  • InvalidImageSize - الصورة المدخلة كبيرة جداً.
  • NotSupportedVisualFeature - نوع الموضع المحدد غير صالح.
  • NotSupportedImage - صورة غير مدعومة، مثل المواد الإباحية المتعلقة بالأطفال.
  • InvalidDetails - قيمة معلمة detail غير مدعومة.
  • NotSupportedLanguage - العملية المطلوبة غير مدعومة باللغة المحددة.
  • BadArgument - تم توفير مزيد من التفاصيل في رسالة الخطأ.
• 415 - خطأ نوع وسائط غير مدعومة. نوع المحتوى غير موجود في الأنواع المسموح بها:
  • بالنسبة إلى عنوان URL للصورة، يجب أن يكون نوع المحتوى application/json
  • بالنسبة لبيانات الصورة الثنائية، يجب أن يكون نوع المحتوى application/octet-stream أو multipart/form-data
• 500
  • FailedToProcess
  • Timeout - انتهت مهلة معالجة الصور.
  • InternalServerError

C#‎

يستدعي التعليمة البرمجية التالية Image Analysis API ويطبع النتائج إلى وحدة التحكم.

// Analyze the URL image 
ImageAnalysis results = await client.AnalyzeImageAsync(imageUrl, visualFeatures: features);

// Summarizes the image content.
Console.WriteLine("Summary:");
foreach (var caption in results.Description.Captions)
{
    Console.WriteLine($"{caption.Text} with confidence {caption.Confidence}");
}
Console.WriteLine();

// Display categories the image is divided into.
Console.WriteLine("Categories:");
foreach (var category in results.Categories)
{
    Console.WriteLine($"{category.Name} with confidence {category.Score}");
}
Console.WriteLine();

// Image tags and their confidence score
Console.WriteLine("Tags:");
foreach (var tag in results.Tags)
{
    Console.WriteLine($"{tag.Name} {tag.Confidence}");
}
Console.WriteLine();

// Objects
Console.WriteLine("Objects:");
foreach (var obj in results.Objects)
{
    Console.WriteLine($"{obj.ObjectProperty} with confidence {obj.Confidence} at location {obj.Rectangle.X}, " +
      $"{obj.Rectangle.X + obj.Rectangle.W}, {obj.Rectangle.Y}, {obj.Rectangle.Y + obj.Rectangle.H}");
}
Console.WriteLine();

// Faces
Console.WriteLine("Faces:");
foreach (var face in results.Faces)
{
    Console.WriteLine($"A {face.Gender} of age {face.Age} at location {face.FaceRectangle.Left}, " +
      $"{face.FaceRectangle.Left}, {face.FaceRectangle.Top + face.FaceRectangle.Width}, " +
      $"{face.FaceRectangle.Top + face.FaceRectangle.Height}");
}
Console.WriteLine();

// Adult or racy content, if any.
Console.WriteLine("Adult:");
Console.WriteLine($"Has adult content: {results.Adult.IsAdultContent} with confidence {results.Adult.AdultScore}");
Console.WriteLine($"Has racy content: {results.Adult.IsRacyContent} with confidence {results.Adult.RacyScore}");
Console.WriteLine($"Has gory content: {results.Adult.IsGoryContent} with confidence {results.Adult.GoreScore}");
Console.WriteLine();

// Well-known (or custom, if set) brands.
Console.WriteLine("Brands:");
foreach (var brand in results.Brands)
{
    Console.WriteLine($"Logo of {brand.Name} with confidence {brand.Confidence} at location {brand.Rectangle.X}, " +
      $"{brand.Rectangle.X + brand.Rectangle.W}, {brand.Rectangle.Y}, {brand.Rectangle.Y + brand.Rectangle.H}");
}
Console.WriteLine();

// Celebrities in image, if any.
Console.WriteLine("Celebrities:");
foreach (var category in results.Categories)
{
    if (category.Detail?.Celebrities != null)
    {
        foreach (var celeb in category.Detail.Celebrities)
        {
            Console.WriteLine($"{celeb.Name} with confidence {celeb.Confidence} at location {celeb.FaceRectangle.Left}, " +
              $"{celeb.FaceRectangle.Top}, {celeb.FaceRectangle.Height}, {celeb.FaceRectangle.Width}");
        }
    }
}
Console.WriteLine();

// Popular landmarks in image, if any.
Console.WriteLine("Landmarks:");
foreach (var category in results.Categories)
{
    if (category.Detail?.Landmarks != null)
    {
        foreach (var landmark in category.Detail.Landmarks)
        {
            Console.WriteLine($"{landmark.Name} with confidence {landmark.Confidence}");
        }
    }
}
Console.WriteLine();

// Identifies the color scheme.
Console.WriteLine("Color Scheme:");
Console.WriteLine("Is black and white?: " + results.Color.IsBWImg);
Console.WriteLine("Accent color: " + results.Color.AccentColor);
Console.WriteLine("Dominant background color: " + results.Color.DominantColorBackground);
Console.WriteLine("Dominant foreground color: " + results.Color.DominantColorForeground);
Console.WriteLine("Dominant colors: " + string.Join(",", results.Color.DominantColors));
Console.WriteLine();

// Detects the image types.
Console.WriteLine("Image Type:");
Console.WriteLine("Clip Art Type: " + results.ImageType.ClipArtType);
Console.WriteLine("Line Drawing Type: " + results.ImageType.LineDrawingType);
Console.WriteLine();

Java

يستدعي التعليمة البرمجية التالية Image Analysis API ويطبع النتائج إلى وحدة التحكم.

// Call the Computer Vision service and tell it to analyze the loaded image.
ImageAnalysis analysis = compVisClient.computerVision().analyzeImage().withUrl(pathToRemoteImage)
        .withVisualFeatures(featuresToExtractFromRemoteImage).execute();

// Display image captions and confidence values.
System.out.println("\nCaptions: ");
for (ImageCaption caption : analysis.description().captions()) {
    System.out.printf("\'%s\' with confidence %f\n", caption.text(), caption.confidence());
}

// Display image category names and confidence values.
System.out.println("\nCategories: ");
for (Category category : analysis.categories()) {
    System.out.printf("\'%s\' with confidence %f\n", category.name(), category.score());
}

// Display image tags and confidence values.
System.out.println("\nTags: ");
for (ImageTag tag : analysis.tags()) {
    System.out.printf("\'%s\' with confidence %f\n", tag.name(), tag.confidence());
}

// Display any faces found in the image and their location.
System.out.println("\nFaces: ");
for (FaceDescription face : analysis.faces()) {
    System.out.printf("\'%s\' of age %d at location (%d, %d), (%d, %d)\n", face.gender(), face.age(),
            face.faceRectangle().left(), face.faceRectangle().top(),
            face.faceRectangle().left() + face.faceRectangle().width(),
            face.faceRectangle().top() + face.faceRectangle().height());
}

// Display whether any adult or racy content was detected and the confidence
// values.
System.out.println("\nAdult: ");
System.out.printf("Is adult content: %b with confidence %f\n", analysis.adult().isAdultContent(),
        analysis.adult().adultScore());
System.out.printf("Has racy content: %b with confidence %f\n", analysis.adult().isRacyContent(),
        analysis.adult().racyScore());

// Display the image color scheme.
System.out.println("\nColor scheme: ");
System.out.println("Is black and white: " + analysis.color().isBWImg());
System.out.println("Accent color: " + analysis.color().accentColor());
System.out.println("Dominant background color: " + analysis.color().dominantColorBackground());
System.out.println("Dominant foreground color: " + analysis.color().dominantColorForeground());
System.out.println("Dominant colors: " + String.join(", ", analysis.color().dominantColors()));

// Display any celebrities detected in the image and their locations.
System.out.println("\nCelebrities: ");
for (Category category : analysis.categories()) {
    if (category.detail() != null && category.detail().celebrities() != null) {
        for (CelebritiesModel celeb : category.detail().celebrities()) {
            System.out.printf("\'%s\' with confidence %f at location (%d, %d), (%d, %d)\n", celeb.name(),
                    celeb.confidence(), celeb.faceRectangle().left(), celeb.faceRectangle().top(),
                    celeb.faceRectangle().left() + celeb.faceRectangle().width(),
                    celeb.faceRectangle().top() + celeb.faceRectangle().height());
        }
    }
}

// Display any landmarks detected in the image and their locations.
System.out.println("\nLandmarks: ");
for (Category category : analysis.categories()) {
    if (category.detail() != null && category.detail().landmarks() != null) {
        for (LandmarksModel landmark : category.detail().landmarks()) {
            System.out.printf("\'%s\' with confidence %f\n", landmark.name(), landmark.confidence());
        }
    }
}

// Display what type of clip art or line drawing the image is.
System.out.println("\nImage type:");
System.out.println("Clip art type: " + analysis.imageType().clipArtType());
System.out.println("Line drawing type: " + analysis.imageType().lineDrawingType());

جافا سكريبت

يستدعي التعليمة البرمجية التالية Image Analysis API ويطبع النتائج إلى وحدة التحكم.

     const result = (await computerVisionClient.analyzeImage(facesImageURL,{visualFeatures: features},{details: domainDetails}));

     // Detect faces
     // Print the bounding box, gender, and age from the faces.
     const faces = result.faces
     if (faces.length) {
       console.log(`${faces.length} face${faces.length == 1 ? '' : 's'} found:`);
       for (const face of faces) {
         console.log(`    Gender: ${face.gender}`.padEnd(20)
           + ` Age: ${face.age}`.padEnd(10) + `at ${formatRectFaces(face.faceRectangle)}`);
       }
     } else { console.log('No faces found.'); }

     // Formats the bounding box
     function formatRectFaces(rect) {
       return `top=${rect.top}`.padEnd(10) + `left=${rect.left}`.padEnd(10) + `bottom=${rect.top + rect.height}`.padEnd(12)
         + `right=${rect.left + rect.width}`.padEnd(10) + `(${rect.width}x${rect.height})`;
     }

     // Detect Objects
     const objects = result.objects;
     console.log();
     // Print objects bounding box and confidence
     if (objects.length) {
       console.log(`${objects.length} object${objects.length == 1 ? '' : 's'} found:`);
       for (const obj of objects) { console.log(`    ${obj.object} (${obj.confidence.toFixed(2)}) at ${formatRectObjects(obj.rectangle)}`); }
     } else { console.log('No objects found.'); }

     // Formats the bounding box
     function formatRectObjects(rect) {
       return `top=${rect.y}`.padEnd(10) + `left=${rect.x}`.padEnd(10) + `bottom=${rect.y + rect.h}`.padEnd(12)
         + `right=${rect.x + rect.w}`.padEnd(10) + `(${rect.w}x${rect.h})`;
     }
     console.log();

     // Detect tags
     const tags = result.tags;
     console.log(`Tags: ${formatTags(tags)}`);

     // Format tags for display
     function formatTags(tags) {
       return tags.map(tag => (`${tag.name} (${tag.confidence.toFixed(2)})`)).join(', ');
     }
     console.log();

     // Detect image type
     const types = result.imageType;
     console.log(`Image appears to be ${describeType(types)}`);

     function describeType(imageType) {
       if (imageType.clipArtType && imageType.clipArtType > imageType.lineDrawingType) return 'clip art';
       if (imageType.lineDrawingType && imageType.clipArtType < imageType.lineDrawingType) return 'a line drawing';
       return 'a photograph';
     }
     console.log();

     // Detect Category
     const categories = result.categories;
     console.log(`Categories: ${formatCategories(categories)}`);

     // Formats the image categories
     function formatCategories(categories) {
       categories.sort((a, b) => b.score - a.score);
       return categories.map(cat => `${cat.name} (${cat.score.toFixed(2)})`).join(', ');
     }
     console.log();

     // Detect Brands
     const brands = result.brands;

     // Print the brands found
     if (brands.length) {
       console.log(`${brands.length} brand${brands.length != 1 ? 's' : ''} found:`);
       for (const brand of brands) {
         console.log(`    ${brand.name} (${brand.confidence.toFixed(2)} confidence)`);
       }
     } else { console.log(`No brands found.`); }
     console.log();

     // Detect Colors
     const color = result.color;
     printColorScheme(color);

     // Print a detected color scheme
     function printColorScheme(colors) {
       console.log(`Image is in ${colors.isBwImg ? 'black and white' : 'color'}`);
       console.log(`Dominant colors: ${colors.dominantColors.join(', ')}`);
       console.log(`Dominant foreground color: ${colors.dominantColorForeground}`);
       console.log(`Dominant background color: ${colors.dominantColorBackground}`);
       console.log(`Suggested accent color: #${colors.accentColor}`);
     }
     console.log();

     // Detect landmarks
     const domain = result.landmarks;

     // Prints domain-specific, recognized objects
     if (domain.length) {
       console.log(`${domain.length} ${domain.length == 1 ? 'landmark' : 'landmarks'} found:`);
       for (const obj of domain) {
         console.log(`    ${obj.name}`.padEnd(20) + `(${obj.confidence.toFixed(2)} confidence)`.padEnd(20) + `${formatRectDomain(obj.faceRectangle)}`);
       }
     } else {
       console.log('No landmarks found.');
     }

     // Formats bounding box
     function formatRectDomain(rect) {
       if (!rect) return '';
       return `top=${rect.top}`.padEnd(10) + `left=${rect.left}`.padEnd(10) + `bottom=${rect.top + rect.height}`.padEnd(12) +
         `right=${rect.left + rect.width}`.padEnd(10) + `(${rect.width}x${rect.height})`;
     }

     console.log();

     // Detect Adult content
     // Function to confirm racy or not
     const isIt = flag => flag ? 'is' : "isn't";

     const adult = result.adult;
     console.log(`This probably ${isIt(adult.isAdultContent)} adult content (${adult.adultScore.toFixed(4)} score)`);
     console.log(`This probably ${isIt(adult.isRacyContent)} racy content (${adult.racyScore.toFixed(4)} score)`);
     console.log();

Python

يستدعي التعليمة البرمجية التالية Image Analysis API ويطبع النتائج إلى وحدة التحكم.

# Call API with URL and features
results_remote = computervision_client.analyze_image(remote_image_url , remote_image_features, remote_image_details)

# Print results with confidence score
print("Categories from remote image: ")
if (len(results_remote.categories) == 0):
    print("No categories detected.")
else:
    for category in results_remote.categories:
        print("'{}' with confidence {:.2f}%".format(category.name, category.score * 100))
print()

# Detect faces
# Print the results with gender, age, and bounding box
print("Faces in the remote image: ")
if (len(results_remote.faces) == 0):
    print("No faces detected.")
else:
    for face in results_remote.faces:
        print("'{}' of age {} at location {}, {}, {}, {}".format(face.gender, face.age, \
        face.face_rectangle.left, face.face_rectangle.top, \
        face.face_rectangle.left + face.face_rectangle.width, \
        face.face_rectangle.top + face.face_rectangle.height))

# Adult content
# Print results with adult/racy score
print("Analyzing remote image for adult or racy content ... ")
print("Is adult content: {} with confidence {:.2f}".format(results_remote.adult.is_adult_content, results_remote.adult.adult_score * 100))
print("Has racy content: {} with confidence {:.2f}".format(results_remote.adult.is_racy_content, results_remote.adult.racy_score * 100))
print()

# Detect colors
# Print results of color scheme
print("Getting color scheme of the remote image: ")
print("Is black and white: {}".format(results_remote.color.is_bw_img))
print("Accent color: {}".format(results_remote.color.accent_color))
print("Dominant background color: {}".format(results_remote.color.dominant_color_background))
print("Dominant foreground color: {}".format(results_remote.color.dominant_color_foreground))
print("Dominant colors: {}".format(results_remote.color.dominant_colors))
print()

# Detect image type
# Prints type results with degree of accuracy
print("Type of remote image:")
if results_remote.image_type.clip_art_type == 0:
    print("Image is not clip art.")
elif results_remote.image_type.line_drawing_type == 1:
    print("Image is ambiguously clip art.")
elif results_remote.image_type.line_drawing_type == 2:
    print("Image is normal clip art.")
else:
    print("Image is good clip art.")

if results_remote.image_type.line_drawing_type == 0:
    print("Image is not a line drawing.")
else:
    print("Image is a line drawing")

# Detect brands
print("Detecting brands in remote image: ")
if len(results_remote.brands) == 0:
    print("No brands detected.")
else:
    for brand in results_remote.brands:
        print("'{}' brand detected with confidence {:.1f}% at location {}, {}, {}, {}".format( \
        brand.name, brand.confidence * 100, brand.rectangle.x, brand.rectangle.x + brand.rectangle.w, \
        brand.rectangle.y, brand.rectangle.y + brand.rectangle.h))

# Detect objects
# Print detected objects results with bounding boxes
print("Detecting objects in remote image:")
if len(results_remote.objects) == 0:
    print("No objects detected.")
else:
    for object in detect_objects_results_remote.objects:
        print("object at location {}, {}, {}, {}".format( \
        object.rectangle.x, object.rectangle.x + object.rectangle.w, \
        object.rectangle.y, object.rectangle.y + object.rectangle.h))


# Describe image
# Get the captions (descriptions) from the response, with confidence level
print("Description of remote image: ")
if (len(results_remote.description.captions) == 0):
    print("No description detected.")
else:
    for caption in results_remote.description.captions:
        print("'{}' with confidence {:.2f}%".format(caption.text, caption.confidence * 100))
print()

# Return tags
# Print results with confidence score
print("Tags in the remote image: ")
if (len(results_remote.tags) == 0):
    print("No tags detected.")
else:
    for tag in results_remote.tags:
        print("'{}' with confidence {:.2f}%".format(tag.name, tag.confidence * 100))

# Detect celebrities
print("Celebrities in the remote image:")
if (len(results_remote.categories.detail.celebrities) == 0):
    print("No celebrities detected.")
else:
    for celeb in results_remote.categories.detail.celebrities:
        print(celeb["name"])

# Detect landmarks
print("Landmarks in the remote image:")
if len(results_remote.categories.detail.landmarks) == 0:
    print("No landmarks detected.")
else:
    for landmark in results_remote.categories.detail.landmarks:
        print(landmark["name"])

تلميح

أثناء العمل مع Azure الذكاء الاصطناعي Vision، قد تواجه حالات فشل عابرة بسبب حدود المعدل التي تفرضها الخدمة، أو مشاكل عابرة أخرى مثل انقطاع الشبكة. للحصول على معلومات حول معالجة هذه الأنواع من الأعطال، راجع نمط إعادة المحاولة في دليل أنماط تصميم السحابة، ونمط قاطع الدائرة ذي الصلة.

الخطوات التالية

• استكشف مقالات المفاهيم لمعرفة المزيد بشأن كل ميزة.
• راجع مرجع API لمعرفة المزيد بشأن وظائف API.