Rychlý start: Analýza obrázků

Článek
02/28/2024

Začínáme s rozhraním REST API pro analýzu obrázků nebo klientskými knihovnami pro nastavení základního skriptu označování obrázků Služba Analyzovat obrázek poskytuje algoritmy AI pro zpracování obrázků a vracení informací o jejich vizuálních funkcích. Tímto postupem nainstalujete balíček do aplikace a vyzkoušíte ukázkový kód.

K analýze obrázku pro značky obsahu použijte klientskou knihovnu Pro analýzu obrázků pro jazyk C#. Tento rychlý start definuje metodu, AnalyzeImageUrlkterá pomocí klientského objektu analyzuje vzdálený obrázek a vytiskne výsledky.

Referenční dokumentace | – ukázky balíčku zdrojového kódu | knihovny (NuGet) |

Tip

Můžete také analyzovat místní obrázek. Podívejte se na metody ComputerVisionClient , například AnalyzeImageInStreamAsync. Nebo se podívejte na ukázkový kód na GitHubu pro scénáře zahrnující místní image.

Tip

Rozhraní API pro analýzu může provádět mnoho jiných operací než generování značek imagí. Příklady, které ukazují všechny dostupné funkce, najdete v průvodci analýzou obrázků.

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Integrované vývojové prostředí sady Visual Studio nebo aktuální verze .NET Core.
Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Počítačové zpracování obrazu, abyste získali klíč a koncový bod. Po nasazení vyberte Přejít k prostředku.
- K připojení aplikace ke službě Azure AI Vision potřebujete klíč a koncový bod z prostředku, který vytvoříte.
- K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Vytvoření proměnných prostředí

V tomto příkladu zapište své přihlašovací údaje do proměnných prostředí na místním počítači, na kterém běží aplikace.

Přejděte na Azure Portal. Pokud se prostředek, který jste vytvořili v části Požadavky, úspěšně nasadil, vyberte v části Další kroky přejít k prostředku. Klíč a koncový bod najdete v části Správa prostředků na stránce Klíče a koncový bod. Váš klíč prostředku není stejný jako ID předplatného Azure.

Tip

Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v článku zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč a koncový bod, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí.

Pokud chcete nastavit proměnnou VISION_KEY prostředí, nahraďte your-key jedním z klíčů pro váš prostředek.
Pokud chcete nastavit proměnnou VISION_ENDPOINT prostředí, nahraďte your-endpoint koncovým bodem vašeho prostředku.

Windows
Linux

setx VISION_KEY your-key

setx VISION_ENDPOINT your-endpoint

Po přidání proměnných prostředí budete možná muset restartovat všechny spuštěné programy, které budou číst proměnné prostředí, včetně okna konzoly.

export VISION_KEY=your-key

export VISION_ENDPOINT=your-endpoint

Po přidání proměnných prostředí spusťte source ~/.bashrc z okna konzoly, aby změny byly efektivní.

Analyzovat obrázek

Vytvořte novou aplikaci jazyka C#.
- Visual Studio IDE
- Rozhraní příkazového řádku
Pomocí sady Visual Studio vytvořte novou aplikaci .NET Core.

Instalace klientské knihovny

Po vytvoření nového projektu nainstalujte klientskou knihovnu tak, že v Průzkumník řešení kliknete pravým tlačítkem na řešení projektu a vyberete Spravovat balíčky NuGet. Ve správci balíčků, který se otevře, vyberte Procházet, zaškrtněte políčko Zahrnout předběžné verze a vyhledejte Microsoft.Azure.CognitiveServices.Vision.ComputerVision. Vyberte verzi 7.0.0 a pak vyberte Nainstalovat.
V okně konzoly (například cmd, PowerShell nebo Bash) pomocí dotnet new příkazu vytvořte novou konzolovou aplikaci s názvem computer-vision-quickstart. Tento příkaz vytvoří jednoduchý projekt "Hello World" C# s jedním zdrojovým souborem: Program.cs.
```
dotnet new console -n computer-vision-quickstart
```
Změňte adresář na nově vytvořenou složku aplikace. Aplikaci můžete sestavit pomocí následujících:
```
dotnet build
```
Výstup sestavení by neměl obsahovat žádná upozornění ani chyby.
```
...
Build succeeded.
 0 Warning(s)
 0 Error(s)
...
```
Instalace klientské knihovny

V adresáři aplikace nainstalujte klientskou knihovnu Azure AI Vision pro .NET pomocí následujícího příkazu:
```
dotnet add package Microsoft.Azure.CognitiveServices.Vision.ComputerVision --version 7.0.0
```

V adresáři projektu otevřete soubor Program.cs v preferovaném editoru nebo integrovaném vývojovém prostředí (IDE). Vložte následující kód:

using System;
using System.Collections.Generic;
using Microsoft.Azure.CognitiveServices.Vision.ComputerVision;
using Microsoft.Azure.CognitiveServices.Vision.ComputerVision.Models;
using System.Threading.Tasks;
using System.IO;
using Newtonsoft.Json;
using Newtonsoft.Json.Linq;
using System.Threading;
using System.Linq;

namespace ComputerVisionQuickstart
{
    class Program
    {
        // Add your Computer Vision key and endpoint
        static string key = Environment.GetEnvironmentVariable("VISION_KEY");
        static string endpoint = Environment.GetEnvironmentVariable("VISION_ENDPOINT");

        // 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";

        static void Main(string[] args)
        {
            Console.WriteLine("Azure Cognitive Services Computer Vision - .NET quickstart example");
            Console.WriteLine();

            // Create a client
            ComputerVisionClient client = Authenticate(endpoint, key);

            // Analyze an image to get features and other properties.
            AnalyzeImageUrl(client, ANALYZE_URL_IMAGE).Wait();
        }

        /*
         * AUTHENTICATE
         * Creates a Computer Vision client used by each example.
         */
        public static ComputerVisionClient Authenticate(string endpoint, string key)
        {
            ComputerVisionClient client =
              new ComputerVisionClient(new ApiKeyServiceClientCredentials(key))
              { Endpoint = endpoint };
            return client;
        }
       
        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.Tags
            };

            Console.WriteLine($"Analyzing the image {Path.GetFileName(imageUrl)}...");
            Console.WriteLine();
            // Analyze the URL image 
            ImageAnalysis results = await client.AnalyzeImageAsync(imageUrl, visualFeatures: features);

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

Důležité

Nezapomeňte klíč z kódu odebrat, až to budete hotovi, a nikdy ho veřejně neposílejte. V produkčním prostředí použijte bezpečný způsob ukládání přihlašovacích údajů a přístupu k vašim přihlašovacím údajům, jako je Azure Key Vault. Další informace najdete v článku zabezpečení služeb Azure AI.

Spuštění aplikace
- Visual Studio IDE
- Rozhraní příkazového řádku
Spusťte aplikaci kliknutím na tlačítko Ladit v horní části okna integrovaného vývojového prostředí ( IDE).
Spusťte aplikaci z adresáře aplikace pomocí dotnet run příkazu.
```
dotnet run
```

Výstup

----------------------------------------------------------
ANALYZE IMAGE - URL

Analyzing the image sample16.png...

Tags:
grass 0.9957543611526489
dog 0.9939157962799072
mammal 0.9928356409072876
animal 0.9918001890182495
dog breed 0.9890419244766235
pet 0.974603533744812
outdoor 0.969241738319397
companion dog 0.906731367111206
small greek domestic dog 0.8965123891830444
golden retriever 0.8877675533294678
labrador retriever 0.8746421337127686
puppy 0.872604250907898
ancient dog breeds 0.8508287668228149
field 0.8017748594284058
retriever 0.6837497353553772
brown 0.6581960916519165

Vyčištění prostředků

Pokud chcete vyčistit a odebrat předplatné služeb Azure AI, můžete odstranit prostředek nebo skupinu prostředků. Odstraněním skupiny prostředků se odstraní také všechny ostatní prostředky, které jsou k ní přidružené.

Další kroky

V tomto rychlém startu jste zjistili, jak nainstalovat klientskou knihovnu Image Analysis a provést základní volání analýzy obrázků. V dalším kroku se dozvíte více o funkcích rozhraní API pro analýzu.

Volání rozhraní API pro analýzu

Přehled analýzy obrázků
Zdrojový kód pro tuto ukázku najdete na GitHubu.

K analýze vzdáleného obrázku pro značky obsahu použijte klientskou knihovnu Pro analýzu obrázků pro Python.

Tip

Můžete také analyzovat místní obrázek. Podívejte se na metody ComputerVisionClientOperationsMixin , například analyze_image_in_stream. Nebo se podívejte na ukázkový kód na GitHubu pro scénáře zahrnující místní image.

Tip

Rozhraní API pro analýzu může provádět mnoho jiných operací než generování značek imagí. Příklady, které ukazují všechny dostupné funkce, najdete v průvodci analýzou obrázků.

Referenční dokumentace | – ukázky balíčku zdrojového kódu | knihovny (PiPy) |

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Python 3.x
- Vaše instalace Pythonu by měla obsahovat pip. Spuštěním na příkazovém pip --version řádku můžete zkontrolovat, jestli máte nainstalovaný pip. Získejte pip instalací nejnovější verze Pythonu.
Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Vision, abyste získali klíč a koncový bod. Po nasazení vyberte Přejít k prostředku.
- K připojení aplikace ke službě Azure AI Vision potřebujete klíč a koncový bod z prostředku, který vytvoříte.
- K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Vytvoření proměnných prostředí

V tomto příkladu zapište své přihlašovací údaje do proměnných prostředí na místním počítači, na kterém běží aplikace.

Tip

Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v článku zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč a koncový bod, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí.

Pokud chcete nastavit proměnnou VISION_KEY prostředí, nahraďte your-key jedním z klíčů pro váš prostředek.
Pokud chcete nastavit proměnnou VISION_ENDPOINT prostředí, nahraďte your-endpoint koncovým bodem vašeho prostředku.

Windows
Linux

setx VISION_KEY your-key

setx VISION_ENDPOINT your-endpoint

Po přidání proměnných prostředí budete možná muset restartovat všechny spuštěné programy, které budou číst proměnné prostředí, včetně okna konzoly.

export VISION_KEY=your-key

export VISION_ENDPOINT=your-endpoint

Po přidání proměnných prostředí spusťte source ~/.bashrc z okna konzoly, aby změny byly efektivní.

Analyzovat obrázek

Nainstalujte klientskou knihovnu.

Klientskou knihovnu můžete nainstalovat pomocí následujících:
```
pip install --upgrade azure-cognitiveservices-vision-computervision
```
Nainstalujte také knihovnu Pillow.
```
pip install pillow
```
Vytvořte novou aplikaci v Pythonu.

Vytvořte nový soubor Pythonu – například quickstart-file.py.

Otevřete quickstart-file.py v textovém editoru nebo integrovaném vývojovém prostředí (IDE) a vložte následující kód.

from azure.cognitiveservices.vision.computervision import ComputerVisionClient
from azure.cognitiveservices.vision.computervision.models import OperationStatusCodes
from azure.cognitiveservices.vision.computervision.models import VisualFeatureTypes
from msrest.authentication import CognitiveServicesCredentials

from array import array
import os
from PIL import Image
import sys
import time

'''
Authenticate
Authenticates your credentials and creates a client.
'''
subscription_key = os.environ["VISION_KEY"]
endpoint = os.environ["VISION_ENDPOINT"]

computervision_client = ComputerVisionClient(endpoint, CognitiveServicesCredentials(subscription_key))
'''
END - Authenticate
'''

'''
Quickstart variables
These variables are shared by several examples
'''
# Images used for the examples: Describe an image, Categorize an image, Tag an image, 
# Detect faces, Detect adult or racy content, Detect the color scheme, 
# Detect domain-specific content, Detect image types, Detect objects
images_folder = os.path.join (os.path.dirname(os.path.abspath(__file__)), "images")
remote_image_url = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/ComputerVision/Images/landmark.jpg"
'''
END - Quickstart variables
'''


'''
Tag an Image - remote
This example returns a tag (key word) for each thing in the image.
'''
print("===== Tag an image - remote =====")
# Call API with remote image
tags_result_remote = computervision_client.tag_image(remote_image_url )

# Print results with confidence score
print("Tags in the remote image: ")
if (len(tags_result_remote.tags) == 0):
    print("No tags detected.")
else:
    for tag in tags_result_remote.tags:
        print("'{}' with confidence {:.2f}%".format(tag.name, tag.confidence * 100))
print()
'''
END - Tag an Image - remote
'''
print("End of Computer Vision quickstart.")

Spusťte aplikaci pomocí příkazu python pro soubor rychlého startu.
```
python quickstart-file.py
```

Výstup

===== Tag an image - remote =====
Tags in the remote image:
'outdoor' with confidence 99.00%
'building' with confidence 98.81%
'sky' with confidence 98.21%
'stadium' with confidence 98.17%
'ancient rome' with confidence 96.16%
'ruins' with confidence 95.04%
'amphitheatre' with confidence 93.99%
'ancient roman architecture' with confidence 92.65%
'historic site' with confidence 89.55%
'ancient history' with confidence 89.54%
'history' with confidence 86.72%
'archaeological site' with confidence 84.41%
'travel' with confidence 65.85%
'large' with confidence 61.02%
'city' with confidence 56.57%

End of Azure AI Vision quickstart.

Vyčištění prostředků

Další kroky

Volání rozhraní API pro analýzu

Přehled analýzy obrázků
Zdrojový kód pro tuto ukázku najdete na GitHubu.

Pomocí klientské knihovny Analýza obrázků můžete analyzovat vzdálený obrázek pro značky, popis textu, tváře, obsah pro dospělé a další.

Tip

Můžete také analyzovat místní obrázek. Podívejte se na metody ComputerVision , například AnalyzeImage. Nebo se podívejte na ukázkový kód na GitHubu pro scénáře zahrnující místní image.

Tip

Rozhraní API pro analýzu může provádět mnoho jiných operací než generování značek imagí. Příklady, které ukazují všechny dostupné funkce, najdete v průvodci analýzou obrázků.

Referenční dokumentace | – ukázky artefaktu zdrojového kódu |knihovny (Maven) |

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Aktuální verze sady Java Development Kit (JDK)
Nástroj sestavení Gradle nebo jiný správce závislostí.
Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Vision, abyste získali klíč a koncový bod. Po nasazení vyberte Přejít k prostředku.
- K připojení aplikace ke službě Azure AI Vision potřebujete klíč a koncový bod z prostředku, který vytvoříte.
- K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Vytvoření proměnných prostředí

V tomto příkladu zapište své přihlašovací údaje do proměnných prostředí na místním počítači, na kterém běží aplikace.

Tip

Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v článku zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč a koncový bod, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí.

Pokud chcete nastavit proměnnou VISION_KEY prostředí, nahraďte your-key jedním z klíčů pro váš prostředek.
Pokud chcete nastavit proměnnou VISION_ENDPOINT prostředí, nahraďte your-endpoint koncovým bodem vašeho prostředku.

Windows
Linux

setx VISION_KEY your-key

setx VISION_ENDPOINT your-endpoint

Po přidání proměnných prostředí budete možná muset restartovat všechny spuštěné programy, které budou číst proměnné prostředí, včetně okna konzoly.

export VISION_KEY=your-key

export VISION_ENDPOINT=your-endpoint

Po přidání proměnných prostředí spusťte source ~/.bashrc z okna konzoly, aby změny byly efektivní.

Analyzovat obrázek

Vytvořte nový projekt Gradle.

V okně konzoly (například cmd, PowerShell nebo Bash) vytvořte pro vaši aplikaci nový adresář a přejděte do něj.
```
mkdir myapp && cd myapp
```
gradle init Spusťte příkaz z pracovního adresáře. Tento příkaz vytvoří základní soubory sestavení pro Gradle, včetně build.gradle.kts, které se používají za běhu k vytvoření a konfiguraci aplikace.
```
gradle init --type basic
```
Po zobrazení výzvy k výběru DSL vyberte Kotlin.
Nainstalujte klientskou knihovnu.

V tomto rychlém startu se používá správce závislostí Gradle. Klientskou knihovnu a informace pro další správce závislostí najdete v centrálním úložišti Maven.

Vyhledejte build.gradle.kts a otevřete ho pomocí preferovaného integrovaného vývojového prostředí (IDE) nebo textového editoru. Pak zkopírujte následující konfiguraci sestavení. Tato konfigurace definuje projekt jako aplikaci Java, jejíž vstupním bodem je třída ImageAnalysisQuickstart. Naimportuje knihovnu Azure AI Vision.
```
plugins {
    java
    application
}
application { 
    mainClass.set("ImageAnalysisQuickstart")
}
repositories {
    mavenCentral()
}
dependencies {
    implementation(group = "com.microsoft.azure.cognitiveservices", name = "azure-cognitiveservices-computervision", version = "1.0.9-beta")
}
```
Vytvořte soubor Java.

Spuštěním následujícího příkazu z pracovního adresáře vytvořte zdrojovou složku projektu:
```
mkdir -p src/main/java
```
Přejděte do nové složky a vytvořte soubor s názvem ImageAnalysisQuickstart.java.

Otevřete ImageAnalysisQuickstart.java v preferovaném editoru nebo integrovaném vývojovém prostředí (IDE) a vložte následující kód.

import com.microsoft.azure.cognitiveservices.vision.computervision.*;
import com.microsoft.azure.cognitiveservices.vision.computervision.implementation.ComputerVisionImpl;
import com.microsoft.azure.cognitiveservices.vision.computervision.models.*;

import java.io.*;
import java.nio.file.Files;

import java.util.ArrayList;
import java.util.List;
import java.util.UUID;

public class ImageAnalysisQuickstart {

    // Use environment variables
    static String key = System.getenv("VISION_KEY");
    static String endpoint = System.getenv("VISION_ENDPOINT");

    public static void main(String[] args) {
        
        System.out.println("\nAzure Cognitive Services Computer Vision - Java Quickstart Sample");

        // Create an authenticated Computer Vision client.
        ComputerVisionClient compVisClient = Authenticate(key, endpoint); 

        // Analyze local and remote images
        AnalyzeRemoteImage(compVisClient);

    }

    public static ComputerVisionClient Authenticate(String key, String endpoint){
        return ComputerVisionManager.authenticate(key).withEndpoint(endpoint);
    }


    public static void AnalyzeRemoteImage(ComputerVisionClient compVisClient) {
        /*
         * Analyze an image from a URL:
         *
         * Set a string variable equal to the path of a remote image.
         */
        String pathToRemoteImage = "https://github.com/Azure-Samples/cognitive-services-sample-data-files/raw/master/ComputerVision/Images/faces.jpg";

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

        System.out.println("\n\nAnalyzing an image from a URL ...");

        try {
            // 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 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());
            }
        }

        catch (Exception e) {
            System.out.println(e.getMessage());
            e.printStackTrace();
        }
    }
    // END - Analyze an image from a URL.

}

Přejděte zpět do kořenové složky projektu a sestavte aplikaci pomocí:
```
gradle build
```
Pak ho spusťte pomocí gradle run příkazu:
```
gradle run
```

Výstup

Azure AI Vision - Java Quickstart Sample

Analyzing an image from a URL ...

Tags:
'person' with confidence 0.998895
'human face' with confidence 0.997437
'smile' with confidence 0.991973
'outdoor' with confidence 0.985962
'happy' with confidence 0.969785
'clothing' with confidence 0.961570
'friendship' with confidence 0.946441
'tree' with confidence 0.917331
'female person' with confidence 0.890976
'girl' with confidence 0.888741
'social group' with confidence 0.872044
'posing' with confidence 0.865493
'adolescent' with confidence 0.857371
'love' with confidence 0.852553
'laugh' with confidence 0.850097
'people' with confidence 0.849922
'lady' with confidence 0.844540
'woman' with confidence 0.818172
'group' with confidence 0.792975
'wedding' with confidence 0.615252
'dress' with confidence 0.517169

Vyčištění prostředků

Další kroky

Volání rozhraní API pro analýzu

Přehled analýzy obrázků
Zdrojový kód pro tuto ukázku najdete na GitHubu.

K analýze vzdáleného obrázku pro značky obsahu použijte klientskou knihovnu Analýza obrázků pro JavaScript.

Tip

Můžete také analyzovat místní obrázek. Podívejte se na metody ComputerVisionClient , například describeImageInStream. Nebo se podívejte na ukázkový kód na GitHubu pro scénáře zahrnující místní image.

Tip

Rozhraní API pro analýzu může provádět mnoho jiných operací než generování značek imagí. Příklady, které ukazují všechny dostupné funkce, najdete v průvodci analýzou obrázků.

Referenční dokumentace | – ukázky balíčku zdrojového kódu | knihovny (npm) |

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Aktuální verze Node.js
Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Vision, abyste získali klíč a koncový bod. Po nasazení vyberte Přejít k prostředku.
- K připojení aplikace ke službě Azure AI Vision potřebujete klíč a koncový bod z prostředku, který vytvoříte.
- K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.

Vytvoření proměnných prostředí

V tomto příkladu zapište své přihlašovací údaje do proměnných prostředí na místním počítači, na kterém běží aplikace.

Tip

Nezahrňte klíč přímo do kódu a nikdy ho nesdělujte veřejně. Další možnosti ověřování, jako je Azure Key Vault, najdete v článku zabezpečení služeb Azure AI.

Pokud chcete nastavit proměnnou prostředí pro klíč a koncový bod, otevřete okno konzoly a postupujte podle pokynů pro operační systém a vývojové prostředí.

Pokud chcete nastavit proměnnou VISION_KEY prostředí, nahraďte your-key jedním z klíčů pro váš prostředek.
Pokud chcete nastavit proměnnou VISION_ENDPOINT prostředí, nahraďte your-endpoint koncovým bodem vašeho prostředku.

Windows
Linux

setx VISION_KEY your-key

setx VISION_ENDPOINT your-endpoint

Po přidání proměnných prostředí budete možná muset restartovat všechny spuštěné programy, které budou číst proměnné prostředí, včetně okna konzoly.

export VISION_KEY=your-key

export VISION_ENDPOINT=your-endpoint

Po přidání proměnných prostředí spusťte source ~/.bashrc z okna konzoly, aby změny byly efektivní.

Analyzovat obrázek

Vytvoření nové aplikace Node.js

V okně konzoly (například cmd, PowerShell nebo Bash) vytvořte pro vaši aplikaci nový adresář a přejděte do něj.
```
mkdir myapp && cd myapp
```
Spuštěním příkazu npm init vytvoříte aplikaci uzlu se souborem package.json.
```
npm init
```
Instalace klientské knihovny

Nainstalujte balíček npm a @azure/cognitiveservices-computervision nainstalujte homs-rest-azure:
```
npm install @azure/cognitiveservices-computervision
```
Nainstalujte také asynchronní modul:
```
npm install async
```
Soubor package.json vaší aplikace se bude aktualizovat s využitím závislostí.

Vytvořte nový soubor index.js.

Otevřete index.js v textovém editoru a vložte následující kód.

'use strict';

const async = require('async');
const fs = require('fs');
const https = require('https');
const path = require("path");
const createReadStream = require('fs').createReadStream
const sleep = require('util').promisify(setTimeout);
const ComputerVisionClient = require('@azure/cognitiveservices-computervision').ComputerVisionClient;
const ApiKeyCredentials = require('@azure/ms-rest-js').ApiKeyCredentials;

/**
 * AUTHENTICATE
 * This single client is used for all examples.
 */
const key = process.env.VISION_KEY;
const endpoint = process.env.VISION_ENDPOINT;


const computerVisionClient = new ComputerVisionClient(
  new ApiKeyCredentials({ inHeader: { 'Ocp-Apim-Subscription-Key': key } }), endpoint);
/**
 * END - Authenticate
 */


function computerVision() {
  async.series([
    async function () {

      /**
       * DETECT TAGS  
       * Detects tags for an image, which returns:
       *     all objects in image and confidence score.
       */
      console.log('-------------------------------------------------');
      console.log('DETECT TAGS');
      console.log();

      // Image of different kind of dog.
      const tagsURL = 'https://moderatorsampleimages.blob.core.windows.net/samples/sample16.png';

      // Analyze URL image
      console.log('Analyzing tags in image...', tagsURL.split('/').pop());
      const tags = (await computerVisionClient.analyzeImage(tagsURL, { visualFeatures: ['Tags'] })).tags;
      console.log(`Tags: ${formatTags(tags)}`);

      // Format tags for display
      function formatTags(tags) {
        return tags.map(tag => (`${tag.name} (${tag.confidence.toFixed(2)})`)).join(', ');
      }
      /**
       * END - Detect Tags
       */
      console.log();
      console.log('-------------------------------------------------');
      console.log('End of quickstart.');

    },
    function () {
      return new Promise((resolve) => {
        resolve();
      })
    }
  ], (err) => {
    throw (err);
  });
}

computerVision();

Spusťte aplikaci pomocí příkazu node pro soubor rychlého startu.
```
node index.js
```

Výstup

-------------------------------------------------
DETECT TAGS

Analyzing tags in image... sample16.png
Tags: grass (1.00), dog (0.99), mammal (0.99), animal (0.99), dog breed (0.99), pet (0.97), outdoor (0.97), companion dog (0.91), small greek domestic dog (0.90), golden retriever (0.89), labrador retriever (0.87), puppy (0.87), ancient dog breeds (0.85), field (0.80), retriever (0.68), brown (0.66)

-------------------------------------------------
End of quickstart.

Vyčištění prostředků

Další kroky

Volání rozhraní API pro analýzu

Přehled analýzy obrázků
Zdrojový kód pro tuto ukázku najdete na GitHubu.

K analýze obrázku pro značky použijte rozhraní REST API pro analýzu obrázků.

Tip

Rozhraní API pro analýzu může provádět mnoho jiných operací než generování značek imagí. Příklady, které ukazují všechny dostupné funkce, najdete v průvodci analýzou obrázků.

Poznámka:

V tomto rychlém startu se k volání rozhraní REST API používají příkazy cURL. Rozhraní REST API můžete také volat pomocí programovacího jazyka. Příklady v jazyce C#, Python, Java a JavaScript najdete v ukázkách GitHubu.

Požadavky

Předplatné Azure – Vytvoření předplatného zdarma
Jakmile budete mít předplatné Azure, vytvořte na webu Azure Portal prostředek Vision, abyste získali klíč a koncový bod. 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 rychlém startu.
- K vyzkoušení služby můžete použít cenovou úroveňF0 Free a později upgradovat na placenou úroveň pro produkční prostředí.
Nainstalovaný cURL

Analýza obrázku

Pokud chcete analyzovat obrázek pro různé vizuální funkce, postupujte takto:

Zkopírujte do textového editoru následující příkaz.

curl.exe -H "Ocp-Apim-Subscription-Key: <subscriptionKey>" -H "Content-Type: application/json" "https://westcentralus.api.cognitive.microsoft.com/vision/v3.2/analyze?visualFeatures=Tags" -d "{'url':'https://learn.microsoft.com/azure/ai-services/computer-vision/media/quickstarts/presentation.png'}"

Proveďte v příkazu na příslušných místech následující změny:
1. Nahraďte hodnotu <subscriptionKey> klíčem.
2. První část adresy URL požadavku (westcentralus) nahraďte textem ve vlastní adrese URL koncového bodu.
  
  Poznámka:
  
  Nové prostředky vytvořené po 1. červenci 2019 budou používat vlastní názvy subdomén. Další informace a úplný seznam regionálních koncových bodů najdete v tématu Vlastní subdomény pro služby Azure AI.
3. Volitelně můžete změnit adresu URL obrázku v textu požadavku (https://learn.microsoft.com/azure/ai-services/computer-vision/media/quickstarts/presentation.png) na adresu URL jiného obrázku, který se má analyzovat.
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. Ukázková aplikace provede analýzu a zobrazí úspěšnou odpověď v okně příkazového řádku, podobně jako v následujícím příkladu:

{{
   "tags":[
      {
         "name":"text",
         "confidence":0.9992657899856567
      },
      {
         "name":"post-it note",
         "confidence":0.9879657626152039
      },
      {
         "name":"handwriting",
         "confidence":0.9730165004730225
      },
      {
         "name":"rectangle",
         "confidence":0.8658561706542969
      },
      {
         "name":"paper product",
         "confidence":0.8561884760856628
      },
      {
         "name":"purple",
         "confidence":0.5961999297142029
      }
   ],
   "requestId":"2788adfc-8cfb-43a5-8fd6-b3a9ced35db2",
   "metadata":{
      "height":945,
      "width":1000,
      "format":"Jpeg"
   },
   "modelVersion":"2021-05-01"
}

Další kroky

V tomto rychlém startu jste zjistili, jak provádět základní volání analýzy obrázků pomocí rozhraní REST API. V dalším kroku se dozvíte více o funkcích rozhraní API pro analýzu.

Volání rozhraní API pro analýzu

Přehled analýzy obrázků

Rychlý start: Analýza obrázků

Požadavky

Vytvoření proměnných prostředí

Analyzovat obrázek

Instalace klientské knihovny

Výstup

Vyčištění prostředků

Další kroky

Požadavky

Vytvoření proměnných prostředí

Analyzovat obrázek

Výstup

Vyčištění prostředků

Další kroky

Požadavky

Vytvoření proměnných prostředí

Analyzovat obrázek

Výstup

Vyčištění prostředků

Další kroky

Požadavky

Vytvoření proměnných prostředí

Analyzovat obrázek

Instalace klientské knihovny

Výstup

Vyčištění prostředků

Další kroky

Požadavky

Analýza obrázku

Prozkoumání odpovědi

Další kroky

Další materiály