Raf Ürün Tanıma (önizleme): Önceden eğitilmiş modeli kullanarak raf görüntülerini analiz etme

Ürün Tanıma'ya başlamanın en hızlı yolu, önceden eğitilmiş yerleşik yapay zeka modellerini kullanmaktır. Ürün Tanıma API'siyle bir raf görüntüsü yükleyebilir ve ürünlerin ve boşlukların konumlarını alabilirsiniz.

Not

Görüntülerde gösterilen markalar Microsoft'a bağlı değildir ve Microsoft veya Microsoft ürünlerinin marka sahipleri tarafından herhangi bir şekilde onaylandığını ya da marka sahiplerinin veya ürünlerinin Microsoft tarafından onaylandığını göstermez.

Önkoşullar

• Azure aboneliği - Ücretsiz bir abonelik oluşturun
• Azure aboneliğinizi aldıktan sonra Azure portalında bir Görüntü İşleme kaynağı oluşturun. Desteklenen bir Azure bölgesinde dağıtılmalıdır (bkz . Bölge kullanılabilirliği). Dağıtıldıktan sonra Kaynağa git'i seçin.
  • Uygulamanızı Azure AI Vision hizmetine bağlamak için oluşturduğunuz kaynaktan anahtara ve uç noktaya ihtiyacınız olacaktır. Anahtarınızı ve uç noktanızı kılavuzun ilerleyen bölümlerinde aşağıdaki koda yapıştıracaksınız.
• Blob depolama kapsayıcısı olan bir Azure Depolama kaynağı. Bir tane oluşturun
• cURL yüklü. Alternatif olarak, Swagger veya VS Code için REST İstemci uzantısı gibi farklı bir REST platformu da kullanabilirsiniz.
• Raf görüntüsü. Örnek görüntümüzü indirebilir veya kendi görüntülerinizi getirebilirsiniz. Görüntü başına dosya boyutu üst sınırı 20 MB'tır.

Raf görüntülerini analiz etme

Raf görüntüsünü analiz etmek için aşağıdaki adımları uygulayın:

1. Analiz etmek istediğiniz görüntüleri blob depolama kapsayıcınıza yükleyin ve mutlak URL'yi alın.

2. Aşağıdaki curl komutu bir metin düzenleyicisine kopyalayın.

   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. Gerektiğinde komutta aşağıdaki değişiklikleri yapın:

   1. öğesini <subscriptionKey> Görüntü İşleme kaynak anahtarınızla değiştirin.
   2. öğesini <endpoint> Görüntü İşleme kaynak uç noktanızla değiştirin. Örneğin: https://YourResourceName.cognitiveservices.azure.com.
   3. <your_run_name> öğesini görev kuyruğu için benzersiz test çalıştırması adınızla değiştirin. API yanıtını daha sonra alabilmeniz için zaman uyumsuz bir API görev kuyruğu adıdır. Örneğin .../runs/test1?api-version...
   4. İçeriği görüntünün <your_url_string> blob URL'si ile değiştirin

4. Bir komut istemi penceresi açın.

5. Düzenlenen curl komutu metin düzenleyicisinden komut istemi penceresine yapıştırın ve ardından komutunu çalıştırın.

Yanıtı inceleme

Başarılı bir yanıt JSON biçiminde döndürülür. Ürün tanıma API'sinin sonuçları bir ProductRecognitionResultApiModel JSON alanında döndürülür:

"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"
      }
    }
  }
}

Her JSON alanının tanımları için aşağıdaki bölümlere bakın.

Ürün Tanıma Sonuç API'si modeli

Ürün tanıma işleminin sonuçları.

Adı	Tür	Açıklama	Gerekli
imageMetadata	ImageMetadataApiModel	Yükseklik, genişlik ve biçim gibi görüntü meta veri bilgileri.	Yes
products	DetectedObject	Görüntüde algılanan ürünler.	Yes
gaps	DetectedObject	Görüntüde boşluklar algılandı.	Yes

Görüntü Meta Veri API'si modeli

Yükseklik, genişlik ve biçim gibi görüntü meta veri bilgileri.

Adı	Tür	Açıklama	Gerekli
width	integer	Görüntünün piksel cinsinden genişliği.	Yes
height	integer	Görüntünün piksel cinsinden yüksekliği.	Yes

Algılanan Nesne API'si modeli

Bir görüntüde algılanan nesneyi açıklar.

Adı	Tür	Açıklama	Gerekli
id	Dize	Algılanan nesnenin kimliği.	Hayır
boundingBox	Sınırlayıcı Kutu	Görüntünün içindeki bir alan için sınırlayıcı kutu.	Yes
tags	TagsApiModel	Algılanan nesnenin sınıflandırma güvenleri.	Yes

Sınırlayıcı Kutu API'si modeli

Görüntünün içindeki bir alan için sınırlayıcı kutu.

Adı	Tür	Açıklama	Gerekli
x	integer	Alanın sol üst noktasının piksel cinsinden sol koordinatı.	Yes
y	integer	Alanın sol üst noktasının piksel cinsinden üst koordinatı.	Yes
w	integer	Alanın sol üst noktasından piksel cinsinden ölçülen genişlik.	Yes
h	integer	Alanın sol üst noktasından piksel cinsinden ölçülen yükseklik.	Yes

Görüntü Etiketleri API'si modeli

Bir etiketin görüntü sınıflandırma güvenilirliğini açıklar.

Adı	Tür	Açıklama	Gerekli
confidence	kayan noktalı sayı	Sınıflandırma tahmininin güvenilirliği.	Yes
name	Dize	Sınıflandırma tahmininin etiketi.	Yes

Sonraki adımlar

Bu kılavuzda, önceden eğitilmiş Ürün Tanıma REST API'sini kullanarak temel bir analiz çağrısı yapmayı öğrendiniz. Ardından, iş gereksinimlerinizi daha iyi karşılamak için özel bir Ürün Tanıma modelini kullanmayı öğrenin.

Ürün Tanıma için özel model eğitin

• Görüntü Analizine genel bakış
• API başvurusu