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:
Analiz etmek istediğiniz görüntüleri blob depolama kapsayıcınıza yükleyin ve mutlak URL'yi alın.
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>' }"
Gerektiğinde komutta aşağıdaki değişiklikleri yapın:
- öğesini
<subscriptionKey>
Görüntü İşleme kaynak anahtarınızla değiştirin. - öğesini
<endpoint>
Görüntü İşleme kaynak uç noktanızla değiştirin. Örneğin:https://YourResourceName.cognitiveservices.azure.com
. <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...
- İçeriği görüntünün
<your_url_string>
blob URL'si ile değiştirin
- öğesini
Bir komut istemi penceresi açın.
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.
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin