Produkterkennung in Regalen (Vorschau): Analysieren von Regalbildern mithilfe eines vortrainierten Modells

Den schnellsten Einstieg in die Produkterkennung bieten die integrierten, vortrainierten KI-Modelle. Mit der Produkterkennungs-API können Sie ein Regalbild hochladen und die Positionen von Produkten und Lücken ermitteln.

Hinweis

Die in den Bildern gezeigten Marken sind nicht mit Microsoft verbunden und stellen keine Form der Unterstützung von Microsoft oder Microsoft-Produkten durch die Markeninhaber oder eine Unterstützung der Markeninhaber oder ihrer Produkte durch Microsoft dar.

Voraussetzungen

• Azure-Abonnement: Kostenloses Azure-Konto
• Wenn Sie über Ihr Azure-Abonnement verfügen, sollten Sie im Azure-Portal unter eine Vision-Ressource erstellen. Es muss in einer unterstützten Azure-Region bereitgestellt werden (siehe Regionsverfügbarkeit). Wählen Sie nach Abschluss der Bereitstellung Zu Ressource wechseln aus.
  • Sie benötigen den Schlüssel und den Endpunkt der von Ihnen erstellten Ressource, um Ihre Anwendung mit dem Azure KI Vision-Dienst zu verbinden. Sie fügen Ihren Schlüssel und Endpunkt später in der Anleitung in den folgenden Code ein.
• Eine Azure Storage-Ressource mit einem Blob Storage-Container. Einen erstellen
• cURL muss installiert sein. Oder Sie können eine andere REST-Plattform verwenden, wie Swagger oder die REST Client-Erweiterung für VS Code.
• Ein Regalbild. Sie können unser Beispielbild herunterladen oder Ihre eigenen Bilder nutzen. Die maximale Dateigröße pro Bild beträgt 20 MB.

Analysieren von Regalbildern

Führen Sie die folgenden Schritte aus, um ein Regalbild zu analysieren:

1. Laden Sie das Bild, das Sie analysieren möchten, in Ihren Blob Storage-Container hoch, und rufen Sie die absolute URL ab.

2. Kopieren Sie den folgenden curl-Befehl, und fügen Sie ihn in einen Text-Editor ein.

   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>'
   }"
   

3. Nehmen Sie die folgenden Änderungen im Befehl vor, falls dies erforderlich ist:

   1. Ersetzen Sie den <subscriptionKey> durch Ihren Vision-Ressourcenschlüssel.
   2. Ersetzen Sie den <endpoint> durch Ihren Vision-Ressourcenendpunkt. Beispiel: https://YourResourceName.cognitiveservices.azure.com
   3. Ersetzen Sie den <your_run_name> durch Ihren eindeutigen Testlaufnamen für die Aufgabenwarteschlange. Es handelt sich um einen asynchronen API-Aufgabenwarteschlangennamen, mit dem Sie die API-Antwort später abrufen können. Beispiel: .../runs/test1?api-version...
   4. Ersetzen Sie den Inhalt von <your_url_string> durch die Blob-URL des Bilds.

4. Öffnen Sie ein Eingabeaufforderungsfenster.

5. Fügen Sie den von Ihnen bearbeiteten curl-Befehl aus dem Text-Editor in das Eingabeaufforderungsfenster ein, und führen Sie den Befehl aus.

Untersuchen der Antwort

Eine erfolgreiche Antwort wird im JSON-Format zurückgegeben. Die Ergebnisse der Produkterkennungs-API werden im JSON-Feld ProductRecognitionResultApiModel zurückgegeben:

"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"
      }
    }
  }
}

Definitionen der einzelnen JSON-Felder finden Sie in den folgenden Abschnitten.

Produkterkennungsergebnis-API-Modell

Ergebnisse aus dem Produkterkennungsvorgang.

Name	Typ	Beschreibung	Erforderlich
imageMetadata	ImageMetadataApiModel	Die Informationen in den Bildmetadaten wie Höhe, Breite und Format.	Ja
products	DetectedObject	Im Bild erkannte Produkte.	Ja
gaps	DetectedObject	Im Bild erkannte Lücken.	Ja

Bildmetadaten-API-Modell

Die Informationen in den Bildmetadaten wie Höhe, Breite und Format.

Name	Typ	Beschreibung	Erforderlich
width	integer	Die Breite des Bilds in Pixeln.	Ja
height	integer	Die Höhe des Bilds in Pixeln.	Ja

Erkanntes Objekt-API-Modell

Beschreibt ein erkanntes Objekt in einem Bild.

Name	Typ	Beschreibung	Erforderlich
id	Zeichenfolge	ID des erkannten Objekts.	No
boundingBox	BoundingBox	Ein Begrenzungsrahmen für einen Bereich innerhalb eines Bilds.	Ja
tags	TagsApiModel	Klassifizierungskonfidenzen des erkannten Objekts.	Ja

Begrenzungsrahmen-API-Modell

Ein Begrenzungsrahmen für einen Bereich innerhalb eines Bilds.

Name	Typ	Beschreibung	Erforderlich
x	integer	Linke Koordinate des linken oberen Punkts des Bereichs, in Pixeln.	Ja
y	integer	Oberste Koordinate des linken oberen Punkts des Bereichs, in Pixeln.	Ja
w	integer	Gemessene Breite des linken oberen Punkts des Bereichs, in Pixeln.	Ja
h	integer	Gemessene Höhe des linken oberen Punkts des Bereichs, in Pixeln.	Ja

Bildtags-API-Modell

Beschreibt die Bildklassifizierungskonfidenz einer Bezeichnung.

Name	Typ	Beschreibung	Erforderlich
confidence	float	Konfidenz der Klassifizierungsvorhersage.	Ja
name	Zeichenfolge	Bezeichnung der Klassifizierungsvorhersage.	Ja

Nächste Schritte

In diesem Leitfaden haben Sie erfahren, wie Sie mithilfe der vortrainierten Produkterkennungs-REST-API einen einfachen Analyseaufruf ausführen. Als Nächstes erfahren Sie, wie Sie ein benutzerdefiniertes Produkterkennungsmodell verwenden, um Ihre Geschäftsanforderungen besser zu erfüllen.

Trainieren eines benutzerdefinierten Modells für die Produkterkennung

• Übersicht über die Bildanalyse
• API-Referenz