Navigation überspringen

Maschinelles Sehen

Extrahieren Sie umfassende Informationen aus Bildern, um visuelle Daten zu kategorisieren und zu verarbeiten – und nutzen Sie die computergestützte Moderation von Bildern, um Ihre Dienste zu kuratieren.

Bilder analysieren

Dieses Feature gibt Informationen zu visuellen Inhalten in einem Bild zurück. Nutzen Sie Tagging, domänenspezifische Modelle und Beschreibungen in vier Sprachen, um Inhalte zu identifizieren und zuverlässig zu kennzeichnen. Wenden Sie die Einstellungen für Erwachsene an, um potenzielle Inhalte für Erwachsene zu erkennen. Bestimmen Sie Bildtypen und Farbschemas in Bildern.

Demo anzeigen

Name des Merkmals: Wert
Beschreibung { "tags": [ "train", "platform", "station", "building", "indoor", "subway", "track", "walking", "waiting", "pulling", "board", "people", "man", "luggage", "standing", "holding", "large", "woman", "yellow", "suitcase" ], "captions": [ { "text": "people waiting at a train station", "confidence": 0.833099365 } ] }
Tags [ { "name": "train", "confidence": 0.9975446 }, { "name": "platform", "confidence": 0.995543063 }, { "name": "station", "confidence": 0.9798007 }, { "name": "indoor", "confidence": 0.927719653 }, { "name": "subway", "confidence": 0.838939846 }, { "name": "pulling", "confidence": 0.431715637 } ]
Bildformat "Jpeg"
Bildmaße 462 x 600
ClipArt-Typ 0
Liniengrafiktyp 0
Schwarzweiß false
Nicht jugendfreier Inhalt false
Bewertung für nicht jugendfreien Inhalt 0.009112843
Freizügigkeit false
Bewertung für Freizügigkeit 0.0143244825
Kategorien [ { "name": "trans_trainstation", "score": 0.98828125 } ]
Gesichter []
Vorherrschende Hintergrundfarbe
"Black"
Vorherrschende Vordergrundfarbe
"Black"
Akzentfarbe
#484C83

Möchten Sie dies erstellen?

Text in Bildern lesen

Erkennen Sie mit der optischen Zeichenerkennung (Optical Character Recognition, OCR) Text in einem Bild, und extrahieren Sie die erkannten Zeichen in eine computerlesbare Zeichenfolge. Analysieren Sie Bilder, um eingebetteten Text zu erkennen, Zeichenfolgen zu generieren und eine Suche zu ermöglichen. Sparen Sie Zeit und Aufwand, indem Sie Text fotografieren, anstatt ihn zu kopieren.

Führen Sie die ersten Schritte mit dem allgemein verfügbaren OCR-Dienst durch, und werfen Sie nachfolgend einen Blick auf die Vorschauversion der neuen OCR-Engine (über den API-Vorgang „Text erkennen“) mit noch besseren Texterkennungsergebnissen für englischsprachige Texte.

Demo anzeigen

  1. Vorschau
  2. JSON

Sorry!

Have a

nice day !

Oops!

See you soon !

bye!

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          122,
          122,
          401,
          85,
          404,
          229,
          143,
          233
        ],
        "text": "Sorry!",
        "words": [
          {
            "boundingBox": [
              121,
              121,
              424,
              81,
              442,
              223,
              140,
              263
            ],
            "text": "Sorry!"
          }
        ]
      },
      {
        "boundingBox": [
          586,
          160,
          917,
          120,
          929,
          221,
          599,
          262
        ],
        "text": "Have a",
        "words": [
          {
            "boundingBox": [
              585,
              166,
              813,
              138,
              814,
              232,
              593,
              265
            ],
            "text": "Have"
          },
          {
            "boundingBox": [
              832,
              137,
              898,
              135,
              896,
              224,
              833,
              230
            ],
            "text": "a"
          }
        ]
      },
      {
        "boundingBox": [
          577,
          243,
          980,
          204,
          992,
          335,
          590,
          374
        ],
        "text": "nice day !",
        "words": [
          {
            "boundingBox": [
              575,
              265,
              757,
              237,
              765,
              342,
              583,
              353
            ],
            "text": "nice"
          },
          {
            "boundingBox": [
              774,
              234,
              934,
              211,
              941,
              339,
              782,
              341
            ],
            "text": "day"
          },
          {
            "boundingBox": [
              934,
              211,
              991,
              204,
              997,
              339,
              941,
              339
            ],
            "text": "!"
          }
        ]
      },
      {
        "boundingBox": [
          210,
          367,
          436,
          347,
          435,
          499,
          192,
          483
        ],
        "text": "Oops!",
        "words": [
          {
            "boundingBox": [
              192,
              368,
              452,
              345,
              466,
              495,
              205,
              519
            ],
            "text": "Oops!"
          }
        ]
      },
      {
        "boundingBox": [
          167,
          622,
          686,
          588,
          693,
          684,
          174,
          719
        ],
        "text": "See you soon !",
        "words": [
          {
            "boundingBox": [
              165,
              624,
              307,
              614,
              308,
              711,
              168,
              722
            ],
            "text": "See"
          },
          {
            "boundingBox": [
              300,
              614,
              442,
              606,
              441,
              702,
              302,
              712
            ],
            "text": "you"
          },
          {
            "boundingBox": [
              448,
              605,
              622,
              597,
              619,
              690,
              448,
              701
            ],
            "text": "soon"
          },
          {
            "boundingBox": [
              622,
              597,
              686,
              594,
              683,
              687,
              619,
              690
            ],
            "text": "!"
          }
        ]
      },
      {
        "boundingBox": [
          824,
          491,
          1010,
          482,
          1013,
          611,
          808,
          603
        ],
        "text": "bye!",
        "words": [
          {
            "boundingBox": [
              811,
              491,
              1034,
              480,
              1040,
              609,
              817,
              620
            ],
            "text": "bye!"
          }
        ]
      }
    ]
  }
}

Möchten Sie dies erstellen?

Vorschau: Handschriftlichen Text aus Bildern lesen

Erkennen und extrahieren Sie handschriftlichen Text in Notizen, Briefen, Abhandlungen, Tafelbildern, Formularen und sonstigen Quellen. Reduzieren Sie den Papierkram, und steigern Sie die Produktivität, indem Sie handschriftliche Notizen fotografieren, anstatt sie zu transkribieren, und machen Sie die digitalen Notizen durch eine Suchfunktion leicht auffindbar. Die OCR von handschriftlichem Text funktioniert mit verschiedenen Oberflächen und Hintergründen, z.B. weißem Papier, gelben Haftnotizen oder Tafeln.

Hinweis: Diese Technologie befindet sich derzeit in der Vorschau und ist nur für englischsprachigen Text verfügbar.

Demo anzeigen

  1. Vorschau
  2. JSON

Our greatest glory is not

in never failing ,

but in rising every

time we fall

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          67,
          204,
          668,
          210,
          667,
          272,
          66,
          267
        ],
        "text": "Our greatest glory is not",
        "words": [
          {
            "boundingBox": [
              47,
              206,
              161,
              205,
              157,
              274,
              43,
              275
            ],
            "text": "Our"
          },
          {
            "boundingBox": [
              179,
              205,
              350,
              204,
              346,
              273,
              175,
              274
            ],
            "text": "greatest"
          },
          {
            "boundingBox": [
              381,
              204,
              509,
              203,
              505,
              272,
              377,
              273
            ],
            "text": "glory"
          },
          {
            "boundingBox": [
              526,
              203,
              588,
              203,
              584,
              272,
              522,
              272
            ],
            "text": "is"
          },
          {
            "boundingBox": [
              588,
              203,
              680,
              202,
              676,
              271,
              584,
              272
            ],
            "text": "not"
          }
        ]
      },
      {
        "boundingBox": [
          540,
          289,
          900,
          302,
          897,
          374,
          538,
          360
        ],
        "text": "in never failing ,",
        "words": [
          {
            "boundingBox": [
              507,
              300,
              553,
              300,
              564,
              376,
              518,
              376
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              579,
              300,
              693,
              300,
              704,
              376,
              590,
              376
            ],
            "text": "never"
          },
          {
            "boundingBox": [
              712,
              300,
              872,
              300,
              883,
              376,
              723,
              376
            ],
            "text": "failing"
          },
          {
            "boundingBox": [
              864,
              300,
              902,
              300,
              913,
              376,
              875,
              376
            ],
            "text": ","
          }
        ]
      },
      {
        "boundingBox": [
          139,
          416,
          572,
          433,
          570,
          491,
          136,
          474
        ],
        "text": "but in rising every",
        "words": [
          {
            "boundingBox": [
              125,
              417,
              213,
              418,
              200,
              491,
              112,
              490
            ],
            "text": "but"
          },
          {
            "boundingBox": [
              217,
              418,
              273,
              418,
              260,
              491,
              204,
              491
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              297,
              418,
              433,
              419,
              420,
              492,
              284,
              491
            ],
            "text": "rising"
          },
          {
            "boundingBox": [
              461,
              419,
              589,
              420,
              576,
              492,
              448,
              492
            ],
            "text": "every"
          }
        ]
      },
      {
        "boundingBox": [
          622,
          413,
          967,
          410,
          968,
          470,
          623,
          472
        ],
        "text": "time we fall",
        "words": [
          {
            "boundingBox": [
              612,
              407,
              718,
              409,
              709,
              470,
              603,
              468
            ],
            "text": "time"
          },
          {
            "boundingBox": [
              753,
              409,
              825,
              410,
              815,
              471,
              743,
              470
            ],
            "text": "we"
          },
          {
            "boundingBox": [
              863,
              410,
              973,
              412,
              964,
              472,
              853,
              471
            ],
            "text": "fall"
          }
        ]
      }
    ]
  }
}

Möchten Sie dies erstellen?

Berühmte Personen und Orientierungspunkte erkennen

Erkennen Sie mehr als 200.000 Prominente aus Wirtschaft, Politik, Sport und Entertainment sowie 9.000 Natur- und Kulturdenkmäler aus aller Welt.

Demo anzeigen

{
  "categories": [
    {
      "name": "people_",
      "score": 0.86328125,
      "detail": {
        "celebrities": [
          {
            "name": "Satya Nadella",
            "faceRectangle": {
              "left": 240,
              "top": 294,
              "width": 135,
              "height": 135
            },
            "confidence": 0.99999833106994629
          }
        ],
        "landmarks": null
      }
    }
  ],
  "adult": null,
  "tags": [
    {
      "name": "person",
      "confidence": 0.99956613779067993
    },
    {
      "name": "suit",
      "confidence": 0.98934584856033325
    },
    {
      "name": "man",
      "confidence": 0.98844343423843384
    },
    {
      "name": "outdoor",
      "confidence": 0.860062301158905
    }
  ],
  "description": {
    "tags": [
      "person",
      "suit",
      "man",
      "necktie",
      "outdoor",
      "building",
      "clothing",
      "standing",
      "wearing",
      "business",
      "looking",
      "holding",
      "black",
      "front",
      "hand",
      "dressed",
      "phone",
      "field"
    ],
    "captions": [
      {
        "text": "Satya Nadella wearing a suit and tie",
        "confidence": 0.9903275009959599
      }
    ]
  },
  "requestId": "5d4941db-4520-49ea-a172-8f6e46c50d87",
  "metadata": {
    "width": 600,
    "height": 900,
    "format": "Jpeg"
  },
  "faces": [
    {
      "age": 49,
      "gender": "Male",
      "faceRectangle": {
        "left": 240,
        "top": 294,
        "width": 135,
        "height": 135
      }
    }
  ],
  "color": {
    "dominantColorForeground": "Black",
    "dominantColorBackground": "Black",
    "dominantColors": [
      "Black",
      "Grey"
    ],
    "accentColor": "7B5E50",
    "isBWImg": false
  },
  "imageType": {
    "clipArtType": 0,
    "lineDrawingType": 0
  }
}

Möchten Sie dies erstellen?

Videos nahezu in Echtzeit analysieren

Videos nahezu in Echtzeit analysieren: Verwenden Sie eine der Maschinelles Sehen-APIs mit Ihren Videodateien, indem Sie Frames des Videos von Ihrem Gerät extrahieren und diese an die API-Aufrufe Ihrer Wahl senden. Erzielen Sie schneller Ergebnisse aus Ihren Videos.

Verwenden Sie unser Beispiel auf GitHub, um loszulegen und Ihre eigene App zu erstellen.

Weitere Informationen

Demo anzeigen

Möchten Sie dies erstellen?

Miniaturansichten generieren

Generieren Sie eine hochwertige, speichereffiziente Miniaturansicht basierend auf beliebigen Bildern, und passen Sie die Bilder an Ihre Bedürfnisse hinsichtlich Größe, Form und Stil an. Wenden Sie intelligente Zuschneidefunktionen an, um Miniaturansichten mit einem anderen Seitenverhältnis zu generieren als das Originalbild, während gleichzeitig der Fokus beibehalten wird.

Demo anzeigen

Möchten Sie dies erstellen?

Cognitive Services-APIs erkunden

Maschinelles Sehen

Nützliche Informationen aus Bildern herausfiltern

Gesichtserkennung

Gesichter auf Fotos erkennen, analysieren, organisieren und markieren

Videoindizierung VORSCHAU

Informationen aus Videos erschließen

Content Moderator

Automatisierte Bild-, Text- und Videomoderation

Custom Vision VORSCHAU

Passen Sie Ihre eigenen hochmodernen Modelle für maschinelles Sehen ganz einfach an Ihre speziellen Anforderungen an.

Textanalysen

Werten Sie ganz einfach Stimmungen und Themen aus, um zu verstehen, was sich Ihre Benutzer wünschen

Translator Text

Einfach durchzuführende maschinelle Übersetzung mit einem einfachen REST-API-Aufruf

Bing-Rechtschreibprüfung

Ermitteln und korrigieren Sie Rechtschreibfehler in Ihrer App

Content Moderator

Automatisierte Bild-, Text- und Videomoderation

Language Understanding

Bringen Sie Ihren Apps bei, Befehle Ihrer Benutzer zu verstehen

Bing-Spracheingabe

Wandeln Sie Sprache in Text um und umgekehrt, um die Absicht Ihrer Benutzer zu verstehen

Sprechererkennung VORSCHAU

Sprecher anhand ihrer Stimme Identifizieren und überprüfen

Sprachübersetzung

Sprachübersetzungen in Echtzeit mit einem einfachen REST-API-Aufruf

Benutzerdefinierte Spracherkennung VORSCHAU

Grenzen der Spracherkennung wie z.B. Sprachstil, Hintergrundgeräusche und Vokabular überwinden

Sprachdienste VORSCHAU

Vereinheitlichter Sprachdienst für Sprache-zu-Text, Text-zu-Sprache und Sprachübersetzung

QnA Maker

Verwandeln Sie Informationen in einfach zu findende Antworten.

Bereit, Ihrer App neuen Schwung zu verleihen?