呼叫預測 API
定型模型之後，您可以將影像提交至預測 API 端點，以程式設計方式測試模型。 在本指南中，您將瞭解如何呼叫預測 API 來評分影像。 您將了解設定此 API 行為以符合您需求的不同方式。
注意
本文件示範如何使用適用於 C# 的 .NET 用戶端連結庫，將影像提交至預測 API。 如需詳細資訊和範例，請參閱 預測 API 參考。
設定
發佈已定型的反覆專案
從 自訂視覺 網頁中，選取您的項目，然後選取 [效能] 索引標籤。
若要將影像提交至預測 API，您必須先發佈您的反覆專案以進行預測，方法是選取 [發佈 ] 並指定已發佈反復項目的名稱來完成。 這可讓您的模型可供 自訂視覺 Azure 資源的預測 API 存取。
成功發佈模型之後，您會在左側提要字段的反覆專案旁邊看到一個「已發佈」標籤，其名稱會顯示在反覆專案的描述中。
取得 URL 和預測金鑰
發佈模型之後，您可以選取 [預測 URL] 來擷取所需的資訊。 這會開啟對話框，其中包含使用預測 API 的資訊，包括 預測 URL 和 預測密鑰。
將數據提交至服務
本指南假設您已使用 自訂視覺 預測密鑰和端點 URL 建構名為 predictionClient的 CustomVisionPredictionClient 物件。 如需如何設定此功能的指示，請遵循其中 一個快速入門。
在本指南中，您將使用本機映射，因此請下載您想要提交至已定型模型的映像。 下列程式代碼會提示使用者指定本機路徑，並在該路徑取得檔案的位元組流。
Console.Write("Enter image file path: ");
string imageFilePath = Console.ReadLine();
byte[] byteData = GetImageAsByteArray(imageFilePath);
包含下列協助程式方法：
private static byte[] GetImageAsByteArray(string imageFilePath)
{
FileStream fileStream = new FileStream(imageFilePath, FileMode.Open, FileAccess.Read);
BinaryReader binaryReader = new BinaryReader(fileStream);
return binaryReader.ReadBytes((int)fileStream.Length);
}
ClassifyImageAsync 方法會採用專案標識碼和本機儲存的影像，並將影像評分給指定的模型。
// Make a prediction against the new project
Console.WriteLine("Making a prediction:");
var result = predictionApi.ClassifyImageAsync(project.Id, publishedModelName, byteData);
判斷如何處理數據
您可以選擇性地設定服務如何執行評分作業，方法是選擇替代方法（請參閱 CustomVisionPredictionClient 類別的方法）。
為了簡單起見，您可以使用上述方法的非異步版本，但可能會導致程式鎖定相當長的時間。
-WithNoStore 方法會要求服務在預測完成之後不會保留預測影像。 一般而言，服務會保留這些映像，因此您可以選擇將它們新增為模型未來反覆專案的定型數據。
-WithHttpMessages 方法會傳回 API 呼叫的原始 HTTP 回應。
從服務取得結果
服務會以 ImagePrediction 物件的形式傳回結果。 Predictions 屬性包含 PredictionModel 物件的清單，每個物件都代表單一對象預測。 它們包括標籤的名稱，以及影像中偵測到物件的周框方塊座標。 接著，您的應用程式可以將此資料剖析為 ，例如，在畫面上顯示具有卷標物件字段的影像。
下一步
在本指南中，您已瞭解如何將影像提交至自定義影像分類器/偵測器，並使用 C# SDK 以程式設計方式接收回應。 接下來，瞭解如何使用 C# 完成端對端案例，或開始使用不同的語言 SDK。