Deteção de objeto do Azure AI Video Indexer
O Azure AI Video Indexer pode detetar objetos em vídeos. O insight faz parte das predefinições de vídeo padrão e avançadas. A deteção de objetos está incluída nas informações que são o resultado de uma solicitação de Upload de vídeo .
Nota de transparência
Antes de usar a deteção de objetos, revise a visão geral da nota de transparência.
Chaves e definições JSON
Chave | Definição |
---|---|
ID | Número incremental de IDs dos objetos detetados no arquivo de mídia |
Type | Tipo de objetos, por exemplo, Carro |
ID da miniatura | GUID que representa uma única deteção do objeto |
displayName | Nome a ser exibido na experiência do portal VI |
WikiDataID | Um identificador exclusivo na estrutura WikiData |
Instâncias | Lista de todas as instâncias que foram rastreadas |
Confiança | Uma pontuação entre 0-1 indicando a confiança na deteção do objeto |
ajustadoStart | Hora de início ajustada do vídeo ao usar o editor |
ajustadoFim | Hora de término ajustada do vídeo ao usar o editor |
iniciar | A hora em que o objeto aparece no quadro |
end | o tempo em que o objeto não aparece mais no quadro |
Resposta JSON
Objetos detetados e rastreados
Os objetos detetados e rastreados aparecem em "Objetos detetados" no arquivo insights.json baixado. Toda vez que um objeto único é detetado, ele recebe um ID. Esse objeto também é rastreado, o que significa que o modelo observa para que o objeto detetado retorne ao quadro. Se isso acontecer, outra instância será adicionada às instâncias do objeto com diferentes horários de início e fim.
Neste exemplo, o primeiro carro foi detetado e recebeu um ID de 1, uma vez que também foi o primeiro objeto detetado. Em seguida, foi detetado um carro diferente e esse carro recebeu o ID de 23, uma vez que era o 23.º objeto detetado. Mais tarde, o primeiro carro apareceu novamente e outra instância foi adicionada ao JSON. Aqui está o JSON resultante:
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"
}
]
}
]
Objetos suportados
- avião
- maçã
- mochila
- banana
- luva de beisebol
- cama
- bancada
- bicicleta
- barco
- livro
- frasco
- taça
- brócolos
- ônibus
- bolo
- carro
- cenoura
- telefone celular
- cadeira
- relógio
- rato de computador
- sofá
- Chávena
- mesa de jantar
- donut
- Hidrante
- fork
- Frisbee
- secador de cabelo
- bolsa
- cachorro-quente
- teclado
- pipa
- faca
- computador portátil
- micro-ondas
- motocicleta
- rato de computador
- gravata
- laranja
- forno
- parquímetro
- pizza
- planta envasada
- sanduíche
- tesoura
- lavatório
- skate
- esquis
- prancha de snowboard
- colher
- bola desportiva
- Sinal de parada
- mala
- prancha de surf
- ursinho de pelúcia
- raquete de ténis
- torradeira
- WC
- escova de dentes
- Sinal de tráfego
- Comboio
- guarda-chuva
- vaso
- arma, ver Notas de classe específicas para a classe de arma
- copo de vinho
Limitações
- Há até 20 deteções por quadro para processamento padrão e avançado e 35 faixas por classe.
- O tamanho do objeto não deve ser maior que 90% do quadro. Objetos muito grandes que se estendem consistentemente por uma grande parte do quadro podem não ser reconhecidos.
- Objetos pequenos ou desfocados podem ser difíceis de detetar. Eles podem ser perdidos ou mal classificados (copo de vinho, xícara).
- Objetos que são transitórios e aparecem em poucos quadros podem não ser reconhecidos.
- Outros fatores que podem afetar a precisão da deteção de objetos incluem condições de pouca luz, movimento da câmera e oclusões.
- O Azure AI Video Indexer suporta apenas objetos do mundo real. Não há suporte para animação ou CGI. Gráficos gerados por computador (como adesivos de notícias) podem produzir resultados estranhos.
- Consulte as notas de classe específicas.
Notas de classe específicas
Materiais escritos encadernados
Fichários, folhetos e outros materiais escritos tendem a ser detetados como "livros".
Arma
- A classe de armas inclui aparições de pistola e rifles.
- Mãos segurando objetos escuros (principalmente, mas não limitado a objetos borrados) podem ser confundidas com armas.
- Armas sobre um fundo muito escuro podem ser perdidas.
- Vídeos de baixa qualidade (resolução, compressão, etc.) podem afetar a capacidade do modelo de identificar a arma.
- Objetos mecânicos (incluindo robôs) e máquinas complicadas podem, por vezes, ser detetados como armas.
- Para tarefas orientadas para recuperação, as faixas filtradas estão disponíveis em "filtered_tracks". Essas faixas tiveram uma pontuação geral de confiança mais baixa e não aparecerão no portal do Azure AI Video Indexer.
Experimente a deteção de objetos
Você pode experimentar a deteção de objetos com o portal da Web ou com a API.
Depois que um vídeo é carregado, você pode ver os insights. Na guia insights, você pode exibir a lista de objetos detetados e suas instâncias principais.
Informações
Selecione a guia Insights . Os objetos estão em ordem decrescente do número de aparições no vídeo.
Linha Cronológica
Selecione a guia Linha do tempo.
Na guia Linha do tempo, todos os objetos detetados são exibidos de acordo com o tempo de aparecimento. Quando você passa o mouse sobre uma deteção específica, ela mostra a porcentagem de certeza de deteção.
Jogador
O jogador marca automaticamente o objeto detetado com uma caixa delimitadora. O objeto selecionado no painel de informações é realçado em azul com o tipo de objeto e o número de série também exibidos.
Filtre as caixas delimitadoras em torno dos objetos selecionando o ícone da caixa delimitadora no leitor.
Em seguida, marque ou desmarque as caixas de seleção dos objetos detetados.
Faça o download das informações selecionando Download e, em seguida, Insights (JSON).
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários