Rozpoznávání produktů police (Preview): Analýza obrázků polic pomocí předem natrénovaného modelu

Článek
10/16/2024

Důležité

Tato funkce je teď zastaralá. 10. ledna 2025 se vyřadí vlastní klasifikace obrázků Azure AI 4.0, rozpoznávání vlastních objektů a rozhraní API verze Preview pro rozpoznávání produktů. Po tomto datu se volání rozhraní API do těchto služeb nezdaří.

Pokud chcete zachovat hladký provoz modelů, přejděte na Azure AI Custom Vision, který je teď obecně dostupný. Custom Vision nabízí podobné funkce jako tyto vyřazené funkce.

Nejrychlejší způsob, jak začít používat rozpoznávání produktů, je použít integrované předem natrénované modely AI. Pomocí rozhraní API pro rozpoznávání produktů můžete nahrát obrázek police a získat umístění produktů a mezer.

Fotka maloobchodní police se zvýrazněnými produkty a mezerami s obdélníky

Poznámka:

Značky zobrazené na obrázcích nejsou přidružené k Microsoftu a neudávají žádnou formu potvrzení produktů společnosti Microsoft ani produktů Společnosti Microsoft vlastníky značky ani doporučení vlastníků značky nebo jejich produktů společností Microsoft.

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Jakmile budete mít předplatné Azure, vytvořte prostředek Vision na webu Azure Portal. Musí být nasazená v podporované oblasti Azure (viz Dostupnost oblastí). Po nasazení vyberte Přejít k prostředku.
- K připojení aplikace ke službě Azure AI Vision budete potřebovat klíč a koncový bod z prostředku, který vytvoříte. Klíč a koncový bod vložíte do kódu níže v průvodci.
Prostředek služby Azure Storage s kontejnerem úložiště objektů blob. Vytvořit jednu
Nainstalovaný cURL . Nebo můžete použít jinou platformu REST, jako je Swagger nebo rozšíření REST Client pro VS Code.
Obrázek police. Můžete si stáhnout náš ukázkový obrázek nebo si přineste vlastní obrázky. Maximální velikost souboru na obrázek je 20 MB.

Analýza obrázků polic

Pokud chcete analyzovat obrázek police, postupujte takto:

Nahrajte obrázky, které chcete analyzovat do kontejneru úložiště objektů blob, a získejte absolutní adresu URL.

Zkopírujte následující curl příkaz do textového editoru.

curl -X PUT -H "Ocp-Apim-Subscription-Key: <subscriptionKey>" -H "Content-Type: application/json" "<endpoint>/computervision/productrecognition/ms-pretrained-product-detection/runs/<your_run_name>?api-version=2023-04-01-preview" -d "{
    'url':'<your_url_string>'
}"

Proveďte v příkazu na příslušných místech následující změny:
1. <subscriptionKey> Nahraďte klíčem prostředku Vision.
2. <endpoint> Nahraďte koncovým bodem vašeho prostředku Vision. Například: https://YourResourceName.cognitiveservices.azure.com.
3. <your_run_name> Nahraďte jedinečným názvem testovacího spuštění pro frontu úloh. Jedná se o název fronty úloh asynchronního rozhraní API, abyste mohli později načíst odpověď rozhraní API. Například .../runs/test1?api-version...
4. <your_url_string> Nahrazení obsahu adresou URL objektu blob obrázku
Otevřete okno příkazového řádku.
Vložte upravený curl příkaz z textového editoru do okna příkazového řádku a spusťte příkaz.

Prozkoumání odpovědi

Úspěšná odpověď se vrátí ve formátu JSON. Výsledky rozhraní API pro rozpoznávání produktů se vrátí v ProductRecognitionResultApiModel poli JSON:

"ProductRecognitionResultApiModel": {
  "description": "Results from the product understanding operation.",
  "required": [
    "gaps",
    "imageMetadata",
    "products"
  ],
  "type": "object",
  "properties": {
    "imageMetadata": {
      "$ref": "#/definitions/ImageMetadataApiModel"
    },
    "products": {
      "description": "Products detected in the image.",
      "type": "array",
      "items": {
        "$ref": "#/definitions/DetectedObject"
      }
    },
    "gaps": {
      "description": "Gaps detected in the image.",
      "type": "array",
      "items": {
        "$ref": "#/definitions/DetectedObject"
      }
    }
  }
}

Definice jednotlivých polí JSON najdete v následujících částech.

Model rozhraní API pro rozpoznávání produktů

Výsledky operace rozpoznávání produktu.

Name	Typ	Popis	Povinní účastníci
`imageMetadata`	ImageMetadataApiModel	Informace o metadatech obrázků, jako je výška, šířka a formát.	Ano
`products`	DetectedObject	Produkty zjištěné na obrázku	Ano
`gaps`	DetectedObject	Na obrázku byly zjištěny mezery.	Ano

Model rozhraní API metadat obrázků

Informace o metadatech obrázků, jako je výška, šířka a formát.

Name	Typ	Popis	Povinní účastníci
`width`	integer	Šířka obrázku v pixelech.	Ano
`height`	integer	Výška obrázku v pixelech	Ano

Model rozhraní API zjištěného objektu

Popisuje rozpoznaný objekt na obrázku.

Name	Typ	Popis	Povinní účastníci
`id`	string	ID zjištěného objektu.	No
`boundingBox`	Ohraničujícíbox	Ohraničující rámeček pro oblast uvnitř obrázku.	Ano
`tags`	TagsApiModel	Spolehlivosti klasifikace zjištěného objektu.	Ano

Model rozhraní API ohraničujícího boxu

Ohraničující rámeček pro oblast uvnitř obrázku.

Name	Typ	Popis	Povinní účastníci
`x`	integer	Levá souřadnice levého horního bodu oblasti v pixelech.	Ano
`y`	integer	Souřadnice horního levého horního bodu oblasti v pixelech.	Ano
`w`	integer	Šířka měřená od levého horního bodu oblasti v pixelech	Ano
`h`	integer	Výška měřená od levého horního bodu oblasti v pixelech	Ano

Model rozhraní API značek obrázků

Popisuje spolehlivost klasifikace obrázků popisku.

Name	Typ	Popis	Povinní účastníci
`confidence`	float (číslo s plovoucí řádovou čárkou)	Spolehlivost predikce klasifikace	Ano
`name`	string	Popisek predikce klasifikace	Ano

Další kroky

V této příručce jste zjistili, jak provést základní volání analýzy pomocí předem natrénovaného rozhraní REST API pro rozpoznávání produktů. Dále se dozvíte, jak pomocí vlastního modelu rozpoznávání produktů lépe vyhovět potřebám vaší firmy.

Trénování vlastního modelu pro rozpoznávání produktů

Sdílet prostřednictvím