Produktigenkänning (version 4.0 förhandsversion)
Viktigt!
Den här funktionen är nu inaktuell. Den 10 januari 2025 dras API:et för anpassad bildanalys 4.0 för Azure AI Image Analysis 4.0, anpassad objektidentifiering och förhandsgranskning av produktigenkänning tillbaka. Efter det här datumet misslyckas API-anrop till dessa tjänster.
För att upprätthålla en smidig drift av dina modeller övergår du till Azure AI Custom Vision, som nu är allmänt tillgängligt. Custom Vision erbjuder liknande funktioner som dessa funktioner för att dra tillbaka.
Med API:erna för produktigenkänning kan du analysera foton av hyllor i en butik. Du kan identifiera förekomsten av produkter och få deras avgränsningsboxkoordinater. Använd den i kombination med modellanpassning för att träna en modell för att identifiera dina specifika produkter. Du kan också jämföra produktigenkänningsresultat med butikens planogramdokument.
Prova funktionerna i Produktigenkänning snabbt och enkelt i webbläsaren med Hjälp av Vision Studio.
Kommentar
Varumärkena som visas i bilderna är inte kopplade till Microsoft och anger inte någon form av godkännande av Microsoft- eller Microsoft-produkter av varumärkesägarna, eller ett godkännande av varumärkesägarna eller deras produkter av Microsoft.
Viktigt!
Du kan träna en anpassad modell för produktigenkänning med hjälp av custom vision-tjänsten eller API:erna för bildanalys 4.0-produktigenkänning. I följande tabell jämförs de två tjänsterna.
Områden | Produkter på hyllor – Custom Vision | Produktigenkänning – API för bildanalys/anpassning | ||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Funktioner | Anpassad produkttolkning | Bildsyrning och korrigering, förtränad produkttolkning, anpassad produkttolkning, planogrammatchning |
||||||||||||||||||||||||||||
Basmodell | CNN | Transformeringsmodell i Florens | ||||||||||||||||||||||||||||
Etikettera | Customvision.ai | AML Studio | ||||||||||||||||||||||||||||
Webbportal | Customvision.ai | Vision Studio | ||||||||||||||||||||||||||||
Bibliotek | REST, SDK | REST, Python-exempel | ||||||||||||||||||||||||||||
Minsta träningsdata som behövs | 15 bilder per kategori | 2–5 bilder per kategori | ||||||||||||||||||||||||||||
Lagring av träningsdata | Laddas upp till tjänst | Kundens bloblagringskonto | ||||||||||||||||||||||||||||
Modellhosting | Moln och gräns | Endast molnvärd, kantcontainervärdar framöver | ||||||||||||||||||||||||||||
AI-kvalitet |
|
|
||||||||||||||||||||||||||||
Prissättning | Custom Vision-prissättning | Prissättning för bildanalys |
Funktioner för produktigenkänning
Sammansättning av hyllbild
Med api:erna för sömmar och korrigeringar kan du ändra bilder för att förbättra noggrannheten i Product Understanding-resultaten. Du kan använda dessa API:er för att:
- Sy ihop flera bilder av en hylla för att skapa en enda bild.
- Åtgärda en bild för att ta bort perspektivförvrängning.
Hylla produktigenkänning (förtränad modell)
Med API:et Product Understanding kan du analysera en hyllbild med den färdiga förtränad modellen. Den här åtgärden identifierar produkter och luckor i hyllbilden och returnerar koordinaterna för avgränsningsrutan för varje produkt och mellanrum, tillsammans med en konfidenspoäng för var och en.
Följande JSON-svar illustrerar vad Product Understanding API returnerar.
{
"imageMetadata": {
"width": 2000,
"height": 1500
},
"products": [
{
"id": "string",
"boundingBox": {
"x": 1234,
"y": 1234,
"w": 12,
"h": 12
},
"classifications": [
{
"confidence": 0.9,
"label": "string"
}
]
}
],
"gaps": [
{
"id": "string",
"boundingBox": {
"x": 1234,
"y": 1234,
"w": 123,
"h": 123
},
"classifications": [
{
"confidence": 0.8,
"label": "string"
}
]
}
]
}
Hylla produktigenkänning (anpassad modell)
Api:et Product Understanding kan också användas med en anpassad tränad modell för att identifiera dina specifika produkter. Den här åtgärden returnerar koordinaterna för avgränsningsrutan för varje produkt och mellanrum, tillsammans med etiketten för varje produkt.
Följande JSON-svar visar vad Product Understanding-API:et returnerar när det används med en anpassad modell.
"detectedProducts": {
"imageMetadata": {
"width": 21,
"height": 25
},
"products": [
{
"id": "01",
"boundingBox": {
"x": 123,
"y": 234,
"w": 34,
"h": 45
},
"classifications": [
{
"confidence": 0.8,
"label": "Product1"
}
]
}
],
"gaps": [
{
"id": "02",
"boundingBox": {
"x": 12,
"y": 123,
"w": 1234,
"h": 123
},
"classifications": [
{
"confidence": 0.9,
"label": "Product1"
}
]
}
]
}
Efterlevnad av hyllplanogram
Med planogrammatchnings-API :et kan du jämföra resultatet av API:et product understanding med ett planogramdokument. Den här åtgärden matchar varje identifierad produkt och mellanrum till motsvarande position i planogramdokumentet.
Det returnerar ett JSON-svar som står för varje position i planogramdokumentet, oavsett om det är upptaget av en produkt eller en lucka.
{
"matchedResultsPerPosition": [
{
"positionId": "01",
"detectedObject": {
"id": "01",
"boundingBox": {
"x": 12,
"y": 1234,
"w": 123,
"h": 12345
},
"classifications": [
{
"confidence": 0.9,
"label": "Product1"
}
]
}
}
]
}
Begränsningar
- Produktigenkänning är endast tillgängligt i vissa Azure-regioner.
- Hyllbilder kan vara upp till 20 MB stora. Den rekommenderade storleken är 4 MB.
- Vi rekommenderar att du syr och korrigerar hyllbilderna innan du laddar upp dem för analys.
- Det är valfritt att använda en anpassad modell i Produktigenkänning, men det krävs för matchningsfunktionen planogram.
Nästa steg
Kom igång med Produktigenkänning genom att testa API:erna för sömmar och korrigeringar. Gör sedan grundläggande analys med API:et Product Understanding.