Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Artikel ini memperlihatkan kepada Anda cara mendapatkan wawasan deteksi objek Azure AI Video Indexer. Deteksi objek adalah fitur yang mendeteksi dan melacak objek dalam video. Ini dapat digunakan untuk menemukan benda-benda seperti mobil, tas tangan, ranjang, dan laptop.
Objek yang didukung
- pesawat
- apel
- ransel
- pisang
- sarung tangan bisbol
- tempat tidur
- bangku
- sepeda
- perahu
- buku
- botol
- mangkok
- brokoli
- bis
- kue
- mobil
- wortel
- telepon genggam
- kursi
- Jam
- tetikus komputer
- Sofa
- cangkir
- meja makan
- Donat
- hidran api
- garpu
- frisbee
- pengering rambut
- tas tangan
- sosis panggang
- papan ketik
- layang-layang
- pisau
- komputer jinjing
- Mikrogelombang
- sepeda motor
- tetikus komputer
- dasi
- jeruk / oranye
- pemanggang
- meter parkir
- pizza
- tanaman pot
- sandwich
- gunting
- wastafel
- papan luncur
- Ski
- papan salju
- sendok
- bola olahraga
- Tanda berhenti
- koper
- papan selancar
- boneka beruang
- raket tenis
- pemanggang roti
- kamar kecil
- sikat gigi
- lampu lalu lintas
- kereta api
- payung
- vas
- gelas anggur
Menampilkan insight JSON dengan portal web
Setelah Anda mengunggah dan mengindeks video, unduh wawasan dalam format JSON dari portal web.
- Pilih tab Pustaka .
- Pilih media yang Anda inginkan.
- Pilih Unduh, lalu pilih Insight (JSON). File JSON terbuka di tab browser baru.
- Temukan pasangan kunci yang dijelaskan dalam contoh respons.
Gunakan API
- Gunakan permintaan Dapatkan Indeks Video . Teruskan
&includeSummarizedInsights=false
. - Temukan pasangan kunci yang dijelaskan dalam contoh respons.
Contoh tanggapan
Objek yang terdeteksi dan terlacak muncul di bawah detectedObjects
dalam file insights.json yang diunduh. Setiap kali objek unik terdeteksi, objek diberi ID. Objek itu juga dilacak, yang berarti bahwa model mengawasi ketika objek yang terdeteksi kembali ke bingkai. Jika demikian, instans lain ditambahkan ke objek dengan waktu mulai dan akhir yang berbeda.
Dalam contoh ini, mobil pertama terdeteksi dan diberi ID 1 karena juga merupakan objek pertama yang terdeteksi. Kemudian, mobil yang berbeda terdeteksi dan mobil itu diberi ID 23 karena itu adalah objek dua puluh tiga yang terdeteksi. Kemudian, mobil pertama muncul lagi dan instans lain ditambahkan ke JSON. Berikut adalah JSON yang dihasilkan:
detectedObjects: [
{
id: 1,
type: "Car",
thumbnailId: "1c0b9fbb-6e05-42e3-96c1-abe2cd48t33",
displayName: "car",
wikiDataId: "Q1420",
instances: [
{
confidence: 0.468,
adjustedStart: "0:00:00",
adjustedEnd: "0:00:02.44",
start: "0:00:00",
end: "0:00:02.44"
},
{
confidence: 0.53,
adjustedStart: "0:03:00",
adjustedEnd: "0:00:03.55",
start: "0:03:00",
end: "0:00:03.55"
}
]
},
{
id: 23,
type: "Car",
thumbnailId: "1c0b9fbb-6e05-42e3-96c1-abe2cd48t34",
displayName: "car",
wikiDataId: "Q1420",
instances: [
{
confidence: 0.427,
adjustedStart: "0:00:00",
adjustedEnd: "0:00:14.24",
start: "0:00:00",
end: "0:00:14.24"
}
]
}
]
Kunci | Definisi |
---|---|
Nomor Identitas | Jumlah ID yang bertambah secara berurutan dari objek yang terdeteksi dalam file media |
Jenis | Jenis objek, misalnya, Mobil |
ThumbnailID | GUID yang mewakili deteksi tunggal terhadap objek |
nama tampil | Nama yang akan ditampilkan dalam pengalaman portal VI |
WikiDataID | Pengidentifikasi unik dalam struktur WikiData |
Contoh | Daftar semua instans yang dilacak |
Keyakinan | Skor antara 0-1 menunjukkan keyakinan deteksi objek |
Mulai Disesuaikan | waktu mulai video yang disesuaikan saat menggunakan editor |
akhirDisesuaikan | waktu akhir video yang disesuaikan saat menggunakan editor |
mulai | waktu objek muncul dalam bingkai |
akhir | waktu objek tidak lagi muncul dalam bingkai |
Komponen
Tidak ada komponen yang didefinisikan untuk deteksi objek.
Catatan transparansi
Penting
Baca ringkasan catatan transparansi untuk semua fitur VI. Setiap wawasan juga memiliki catatan transparansinya sendiri.
- Ada hingga 20 deteksi per bingkai untuk pemrosesan standar dan tingkat lanjut, serta 35 lintasan per kelas.
- Ukuran objek tidak boleh lebih besar dari 90 persen dari bingkai. Objek besar yang secara konsisten menjangkau sebagian besar bingkai mungkin tidak dikenali.
- Objek kecil atau buram bisa sulit dideteksi. Mereka dapat dilewatkan atau salah diklasifikasikan (gelas anggur, cangkir).
- Objek yang bersifat sementara dan muncul dalam beberapa bingkai mungkin tidak dikenali.
- Faktor lain yang mungkin memengaruhi akurasi deteksi objek termasuk kondisi cahaya rendah, gerakan kamera, dan oklusi.
- Azure AI Video Indexer hanya mendukung objek dunia nyata. Tidak ada dukungan untuk animasi atau CGI. Grafik yang dihasilkan komputer (seperti stiker berita) mungkin menghasilkan hasil yang aneh.
- Pengikat, brosur, dan bahan tertulis lainnya cenderung terdeteksi sebagai
Book
.