Pengenalan Produk Shelf (pratinjau): Menganalisis gambar rak menggunakan model yang telah dilatih sebelumnya

Artikel
02/16/2024

Cara tercepat untuk mulai menggunakan Pengenalan Produk adalah dengan menggunakan model AI bawaan yang telah dilatih sebelumnya. Dengan PRODUCT Understanding API, Anda dapat mengunggah gambar rak dan mendapatkan lokasi produk dan celah.

Foto rak ritel dengan produk dan celah disorot dengan persegi panjang.

Catatan

Merek yang ditampilkan dalam gambar tidak berafiliasi dengan Microsoft dan tidak menunjukkan bentuk dukungan produk Microsoft atau Microsoft oleh pemilik merek, atau dukungan pemilik merek atau produk mereka oleh Microsoft.

Prasyarat

Langganan Azure - buat langganan gratis
Setelah Anda memiliki langganan Azure, buat sumber daya Vision di portal Azure. Ini harus disebarkan di wilayah US Timur atau US Barat 2 . Setelah menyebar, pilih Buka sumber daya.
- Anda akan memerlukan kunci dan titik akhir dari sumber daya yang Anda buat untuk menyambungkan aplikasi Anda ke layanan Azure AI Vision. Anda akan menempelkan kunci dan titik akhir Anda ke dalam kode di bawah ini nanti di panduan.
Sumber daya Azure Storage dengan kontainer penyimpanan blob. Buat satu
cURL diinstal. Atau, Anda dapat menggunakan platform REST yang berbeda, seperti Swagger atau ekstensi Klien REST untuk Visual Studio Code.
Gambar rak. Anda dapat mengunduh gambar sampel kami atau membawa gambar Anda sendiri. Ukuran file maksimum per gambar adalah 20 MB.

Menganalisis gambar rak

Untuk menganalisis gambar rak, lakukan langkah-langkah berikut:

Unggah gambar yang ingin Anda analisis ke kontainer penyimpanan blob Anda, dan dapatkan URL absolut.

Salin perintah berikut curl ke editor teks.

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>'
}"

JIka diperlukan, buat perubahan berikut dalam perintah:
1. <subscriptionKey> Ganti dengan kunci sumber daya Visi Anda.
2. <endpoint> Ganti dengan titik akhir sumber daya Visi Anda. Misalnya: https://YourResourceName.cognitiveservices.azure.com.
3. <your_run_name> Ganti dengan nama uji coba unik Anda untuk antrean tugas. Ini adalah nama antrean tugas API asinkron agar Anda dapat mengambil respons API nanti. Misalnya: .../runs/test1?api-version...
4. <your_url_string> Ganti konten dengan URL blob gambar
Buka jendela wantian perintah.
Tempelkan perintah yang diedit curl dari editor teks ke jendela prompt perintah, lalu jalankan perintah .

Periksa responsnya

Respons sukses dikembalikan dalam JSON. Hasil API pemahaman produk dikembalikan di ProductUnderstandingResultApiModel bidang JSON:

{
  "imageMetadata": {
    "width": 2000,
    "height": 1500
  },
  "products": [
    {
      "id": "string",
      "boundingBox": {
        "x": 1234,
        "y": 1234,
        "w": 12,
        "h": 12
      },
      "classifications": [
        {
          "confidence": 0.9,
          "label": "string"
        }
      ]
    }
  ],
  "gaps": [
    {
      "id": "string",
      "boundingBox": {
        "x": 1234,
        "y": 1234,
        "w": 123,
        "h": 123
      },
      "classifications": [
        {
          "confidence": 0.8,
          "label": "string"
        }
      ]
    }
  ]
}

Lihat bagian berikut untuk definisi setiap bidang JSON.

Model API Hasil Pemahaman Produk

Hasil dari operasi pemahaman produk.

Nama	Tipe	Deskripsi	Wajib diisi
`imageMetadata`	ImageMetadataApiModel	Informasi metadata gambar seperti tinggi, lebar, dan format.	Ya
`products`	DetectedObjectApiModel	Produk yang terdeteksi dalam gambar.	Ya
`gaps`	DetectedObjectApiModel	Celah terdeteksi dalam gambar.	Ya

Model API Metadata Gambar

Informasi metadata gambar seperti tinggi, lebar, dan format.

Nama	Tipe	Deskripsi	Wajib diisi
`width`	Integer	Lebar gambar dalam piksel.	Ya
`height`	Integer	Tinggi gambar dalam piksel.	Ya

Model OBJECT API terdeteksi

Menjelaskan objek yang terdeteksi dalam gambar.

Nama	Tipe	Deskripsi	Wajib diisi
`id`	string	ID objek yang terdeteksi.	No
`boundingBox`	BoundingBoxApiModel	Kotak pembatas untuk area di dalam gambar.	Ya
`classifications`	ImageClassificationApiModel	Keyakinan klasifikasi objek yang terdeteksi.	Ya

Model Bounding Box API

Kotak pembatas untuk area di dalam gambar.

Nama	Tipe	Deskripsi	Wajib diisi
`x`	Integer	Koordinat kiri titik kiri atas area, dalam piksel.	Ya
`y`	Integer	Koordinat teratas dari titik kiri atas area, dalam piksel.	Ya
`w`	Integer	Lebar diukur dari titik kiri atas area, dalam piksel.	Ya
`h`	Integer	Tinggi diukur dari titik kiri atas area, dalam piksel.	Ya

Model API Klasifikasi Gambar

Menjelaskan keyakinan klasifikasi gambar label.

Nama	Tipe	Deskripsi	Wajib diisi
`confidence`	float	Keyakinan prediksi klasifikasi.	Ya
`label`	string	Label prediksi klasifikasi.	Ya

Langkah berikutnya

Dalam panduan ini, Anda mempelajari cara melakukan panggilan analisis dasar menggunakan REST API Pemahaman Produk yang telah dilatih sebelumnya. Selanjutnya, pelajari cara menggunakan model Pengenalan Produk kustom untuk memenuhi kebutuhan bisnis Anda dengan lebih baik.

Melatih model kustom untuk Pengenalan Produk

Bagikan melalui