Hylla produktigenkänning (förhandsversion): Analysera hyllbilder med förtränad modell

Det snabbaste sättet att börja använda produktigenkänning är att använda de inbyggda förtränad AI-modellerna. Med API:et för produktigenkänning kan du ladda upp en hyllbild och hämta platserna för produkter och luckor.

Förutsättningar

• En Azure-prenumeration – Skapa en kostnadsfritt
• När du har din Azure-prenumeration skapar du en Vision-resurs i Azure Portal. Den måste distribueras i en Azure-region som stöds (se Regiontillgänglighet). När den har distribuerats väljer du Gå till resurs.
  • Du behöver nyckeln och slutpunkten från den resurs som du skapar för att ansluta ditt program till Azure AI Vision-tjänsten. Du klistrar in din nyckel och slutpunkt i koden nedan senare i guiden.
• En Azure Storage-resurs med en bloblagringscontainer. Skapa en
• cURL installerat. Eller så kan du använda en annan REST-plattform, till exempel Swagger eller REST-klienttillägget för VS Code.
• En hyllbild. Du kan ladda ned vår exempelbild eller ta med egna bilder. Den maximala filstorleken per bild är 20 MB.

Analysera hyllbilder

Gör följande för att analysera en hyllbild:

1. Ladda upp de bilder som du vill analysera till bloblagringscontainern och hämta den absoluta URL:en.

2. Kopiera följande curl kommando till en textredigerare.

   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. Gör följande ändringar i kommandot där det behövs:

   1. Ersätt med resursnyckeln <subscriptionKey> Vision.
   2. <endpoint> Ersätt med slutpunkten för visionsresursen. Exempel: https://YourResourceName.cognitiveservices.azure.com.
   3. <your_run_name> Ersätt med ditt unika testkörningsnamn för aktivitetskön. Det är ett asynkront API-uppgiftskönamn för att du ska kunna hämta API-svaret senare. Till exempel: .../runs/test1?api-version...
   4. Ersätt innehållet <your_url_string> med blob-URL:en för bilden

4. Öppna ett kommandotolksfönster.

5. Klistra in det redigerade curl kommandot från textredigeraren i kommandotolken och kör sedan kommandot.

Granska svaret

Ett svar som anger att åtgärden lyckades returneras i JSON. Api-resultaten för produktigenkänning returneras i ett ProductRecognitionResultApiModel JSON-fält:

"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"
      }
    }
  }
}

Se följande avsnitt för definitioner av varje JSON-fält.

Api-modell för produktigenkänningsresultat

Resultat från produktigenkänningsåtgärden.

API-modell för bildmetadata

Information om bildmetadata, till exempel höjd, bredd och format.

Objekt-API-modell identifierad

Beskriver ett identifierat objekt i en bild.

Api-modell för avgränsningsruta

En avgränsningsruta för ett område inuti en bild.

API-modell för bildtaggar

Beskriver bildklassificeringsförtroendet för en etikett.

Nästa steg

I den här guiden har du lärt dig hur du gör ett grundläggande analysanrop med hjälp av rest-API:et för förtränad produktigenkänning. Lär dig sedan hur du använder en anpassad produktigenkänningsmodell för att bättre uppfylla dina affärsbehov.

• Översikt över bildanalys
• API-referens