Reconnaissance des produits sur une étagère (préversion) : analyser les images des rayons à l’aide d’un modèle préentraîné

Article
06/20/2024

Le moyen le plus rapide de commencer à utiliser la reconnaissance de produit consiste à utiliser les modèles IA préentraînés intégrés. Avec l’API Reconnaissance de produit, vous pouvez charger une image d’étagère et obtenir les emplacements des produits et des lacunes.

Photo d'un rayon de vente au détail avec des produits et des lacunes mis en évidence par des rectangles.

Notes

Les marques affichées dans les images ne sont pas affiliées à Microsoft et n’indiquent aucune forme d’approbation de Microsoft ou de produits Microsoft par les propriétaires de la marque, ni d’approbation des propriétaires de la marque ou de leurs produits par Microsoft.

Prérequis

Un abonnement Azure - En créer un gratuitement
Une fois que vous avez votre abonnement Azure, créez une ressource Vision dans le portail Azure. Elle doit être déployée dans une région Azure prise en charge (voir disponibilité des régions). À la fin du déploiement, sélectionnez Accéder à la ressource.
- Vous aurez besoin de la clé et du point de terminaison de la ressource que vous créez pour connecter votre application au service Azure AI Vision. Vous collerez votre clé et votre point de terminaison dans le code ci-dessous plus loin dans le guide.
Une ressource stockage Azure avec un conteneur de stockage d’objets blob. Créez-en un
cURL installé. Vous pouvez également utiliser une plateforme REST différente, telle que Swagger ou l’extension client REST pour VS Code.
Image d’étagère. Vous pouvez télécharger notre exemple d’image ou apporter vos propres images. La taille de fichier maximale par image est de 20 Mo.

Analyser les images d’étagère

Pour analyser une image d’étagère, procédez comme suit :

Chargez les images que vous souhaitez analyser dans votre conteneur de stockage d’objets blob et obtenez l’URL absolue.

Copiez la commande curl ci-après dans un éditeur de texte.

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>'
}"

Effectuez les modifications nécessaires dans la commande :
1. Remplacez la valeur <subscriptionKey> par la clé de votre ressource Vision.
2. Remplacez la valeur <endpoint> par le point de terminaison de votre ressource Vision. Par exemple : https://YourResourceName.cognitiveservices.azure.com.
3. Remplacez la valeur <your_run_name> par le nom de votre série de tests unique pour la file d’attente des tâches. Il s’agit d’un nom de file d’attente des tâches d’API asynchrone qui vous permet de récupérer ultérieurement la réponse de l’API. Par exemple, .../runs/test1?api-version...
4. Remplacer le <your_url_string> contenu par l’URL de l’objet blob de l’image
Ouvrir une fenêtre d’invite de commandes.
Collez votre commande curl modifiée à partir de l’éditeur de texte dans la fenêtre d’invite de commandes, puis exécutez la commande.

Examiner la réponse

Une réponse correcte est retournée au format JSON. Les résultats de l’API de reconnaissance de produit sont retournés dans un champ JSON ProductRecognitionResultApiModel :

"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"
      }
    }
  }
}

Consultez les sections suivantes pour connaître les définitions de chaque champ JSON.

Modèle d’API Résultat de la reconnaissance de produit

Résultats de l’opération de reconnaissance du produit.

Nom	Type	Description	Obligatoire
`imageMetadata`	ImageMetadataApiModel	Les informations de métadonnées d’image se composent de la hauteur, de la largeur et du format.	Oui
`products`	DetectedObject	Produits détectés dans l’image.	Oui
`gaps`	DetectedObject	Lacunes détectées dans l’image.	Oui

Modèle d’API de métadonnées d’image

Les informations de métadonnées d’image se composent de la hauteur, de la largeur et du format.

Nom	Type	Description	Obligatoire
`width`	entier	La largeur de l’image est en pixels.	Oui
`height`	entier	La hauteur de l’image est en pixels.	Oui

Modèle d’API objet détecté

Décrit un objet détecté dans une image.

Nom	Type	Description	Obligatoire
`id`	string	ID de l’objet détecté.	Non
`boundingBox`	BoundingBox	Cadre englobant pour une zone à l’intérieur d’une image.	Oui
`tags`	TagsApiModel	Confiances de classification de l’objet détecté.	Oui

Modèle d’API cadre englobant

Cadre englobant pour une zone à l’intérieur d’une image.

Nom	Type	Description	Obligatoire
`x`	entier	Coordonnée gauche du point supérieur gauche de la zone, en pixels.	Oui
`y`	entier	Coordonnée supérieure du point supérieur gauche de la zone, en pixels.	Oui
`w`	entier	Largeur mesurée à partir du point supérieur gauche de la zone, en pixels.	Oui
`h`	entier	Hauteur mesurée à partir du point supérieur gauche de la zone, en pixels.	Oui

Modèle d’API Balises d’image

Décrit la confiance en classification d’image d’une étiquette.

Nom	Type	Description	Obligatoire
`confidence`	float	Confiance de la prédiction de classification.	Oui
`name`	string	Étiquette de la prédiction de classification.	Oui

Étapes suivantes

Dans ce guide, vous avez appris à effectuer un appel d’analyse de base à l’aide de l’API REST Reconnaissance de produit préentraînée. Ensuite, découvrez comment utiliser un modèle de reconnaissance de produit personnalisé pour mieux répondre aux besoins de votre entreprise.

Entraîner un modèle personnalisé pour la reconnaissance de produit

Partage via