你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

图像描述文字（版本 4.0）

Image Analysis 4.0 的图像描述文字可通过“描述文字”和“密集描述文字”功能实现。

“文字描述”会为所有图像内容生成一个句子说明。 除了描述整个图像之外，“密集文字描述”还可以生成最多 10 个图像区域的单句说明，从而提供更多详细信息。 密集描述文字还将返回所描述图像区域的边界框坐标。 这两项功能都使用最新的基于佛罗伦萨的 AI 模型。

目前，图像文字描述仅提供英语版。

重要

图像分析 4.0 中的图像文字描述功能仅在以下 Azure 数据中心地区可用：美国东部、法国中部、韩国中部、北欧、东南亚、西欧、美国西部、东亚。 必须使用位于其中一个区域的视觉资源，才能获取“描述文字”和“密集描述文字”功能的结果。

如果必须在这些区域之外使用视觉资源来生成图像描述文字，请使用在所有 Azure AI 视觉区域中都可用的图像分析 3.2。

使用 Vision Studio 快速轻松地在浏览器中试用图像字幕功能。

试用 Vision Studio

性别中立的描述文字

默认情况下，描述文字包含性别词（“男人”、“女人”、“男孩”、“女孩”）。 可以选择在结果中将这些字词替换为“人”，并接收性别中立的描述文字。 为此，可以在请求 URL 中将可选 API 请求参数 gender-neutral-caption 设置为 true。

“文字描述”和“密集文字描述”示例

Caption

以下 JSON 响应展示了分析 4.0 API 在基于视觉特征对示例图像进行描述时返回的内容。

"captions": [
    {
        "text": "a man pointing at a screen",
        "confidence": 0.4891590476036072
    }
]

密集文字描述

以下 JSON 响应展示了分析 4.0 API 在为示例图像生成密集描述文字时所返回的内容。

{
  "denseCaptionsResult": {
    "values": [
      {
        "text": "a man driving a tractor in a farm",
        "confidence": 0.535620927810669,
        "boundingBox": {
          "x": 0,
          "y": 0,
          "w": 850,
          "h": 567
        }
      },
      {
        "text": "a man driving a tractor in a field",
        "confidence": 0.5428450107574463,
        "boundingBox": {
          "x": 132,
          "y": 266,
          "w": 209,
          "h": 219
        }
      },
      {
        "text": "a blurry image of a tree",
        "confidence": 0.5139822363853455,
        "boundingBox": {
          "x": 147,
          "y": 126,
          "w": 76,
          "h": 131
        }
      },
      {
        "text": "a man riding a tractor",
        "confidence": 0.4799223840236664,
        "boundingBox": {
          "x": 206,
          "y": 264,
          "w": 64,
          "h": 97
        }
      },
      {
        "text": "a blue sky above a hill",
        "confidence": 0.35495415329933167,
        "boundingBox": {
          "x": 0,
          "y": 0,
          "w": 837,
          "h": 166
        }
      },
      {
        "text": "a tractor in a field",
        "confidence": 0.47338250279426575,
        "boundingBox": {
          "x": 0,
          "y": 243,
          "w": 838,
          "h": 311
        }
      }
    ]
  },
  "modelVersion": "2024-02-01",
  "metadata": {
    "width": 850,
    "height": 567
  }
}

使用 API

图像描述文字

图像文字描述功能属于分析图像 API。 将 Caption 包括在 features 查询参数中。 然后，在获取完整 JSON 响应时，请分析 "captionResult" 部分内容的字符串。

密集文字描述

密集文字描述功能属于分析图像 API。 将 denseCaptions 包括在 features 查询参数中。 然后，在获取完整 JSON 响应时，请分析 "denseCaptionsResult" 部分内容的字符串。

后续步骤

• 了解物体检测的相关概念。
• 快速入门：图像分析 REST API 或客户端库
• 调用分析图像 API