Visión de Azure en Foundry Tools

Visión de Azure es una herramienta eficaz de Azure AI Foundry Tools (anteriormente Servicios de Azure AI). Visión de Azure ofrece un conjunto de API preconstruidas que permiten a aplicaciones y agentes interpretar visualmente el mundo. Visión ofrece capacidades como análisis de imágenes, detección de objetos, comprensión espacial y reconocimiento óptico de caracteres (OCR). Estas herramientas permiten a los desarrolladores crear soluciones inteligentes que pueden "ver" y entender contenido visual en tiempo real.

Como parte de la plataforma Fundición de IA de Azure, Visión de Azure se integra en la plataforma unificada Fundición para apoyar experiencias de IA agéntica. 

Visión de Azure (anteriormente Visión de Azure AI) está diseñado para acelerar el desarrollo de agentes y aplicaciones inteligentes sin requerir experiencia profunda en aprendizaje automático.

Sí, Visión de Azure (anteriormente Visión de Azure AI) ahora forma parte del conjunto de Azure AI Foundry Tools. Este cambio de marca forma parte de una unificación más amplia de la plataforma bajo Fundición de IA de Azure, diseñada para reflejar cómo los desarrolladores usan cada vez más estos servicios como herramientas modulares para crear aplicaciones inteligentes y agénticas.

Visión de Azure en Foundry Tools sigue ofreciendo las mismas funcionalidades eficaces, como análisis de imágenes, detección de objetos, OCR y comprensión espacial, pero ahora se coloca dentro de un kit de herramientas coherente que admite flujos de trabajo de agente y escenarios de inteligencia artificial multimodal. El cambio de marca ayuda a clarificar cómo Visión encaja en el ecosistema Fundición, lo que facilita su descubrimiento, orquestación e integración con otros agentes y herramientas.

Este cambio consiste en capacitar a los desarrolladores con una experiencia unificada para crear agentes de IA que vean, comprendan y actúen.

No. Microsoft elimina automáticamente las imágenes y vídeos después del procesamiento y no entrena en los datos para mejorar los modelos subyacentes. Los datos de vídeo no salen del entorno local y los datos de vídeo no se almacenan en el perímetro donde se ejecuta el contenedor. Obtenga más información sobre la privacidad y los términos de uso.

No, el análisis espacial detecta y localiza la presencia humana en secuencias de vídeo y genera un rectángulo delimitador alrededor de cada persona detectada. Los modelos de IA no detectan caras ni determinan la identidad ni los datos demográficos de los individuos.

Los modelos de IA de análisis espacial detectan y realizan un seguimiento de los movimientos en la fuente de vídeo en función de algoritmos que identifican la presencia de uno o más seres humanos mediante un rectángulo delimitador del cuerpo. Para cada persona y rectángulo de selección detectados en una zona del campo de visión de la cámara, los modelos de IA generan datos de evento, incluidas las coordenadas del rectángulo de selección del cuerpo de una persona, el tipo de evento (por ejemplo, entrada o salida de zona o cruce de línea direccional), identificadores seudónimos para realizar un seguimiento del rectángulo de selección y una puntuación de confianza de detección. Estos datos de evento se envían a su propia instancia de Azure IoT Hub.

Sí. Como la personalización del modelo está diseñada para ajustarse a su escenario, tiene que proporcionar los datos etiquetados para entrenar al modelo.

La característica de personalización del modelo del servicio está optimizada para reconocer rápidamente las principales diferencias entre las imágenes, por lo que puede empezar a crear prototipos del modelo con una pequeña cantidad de datos. Puedes empezar con tan solo una imagen por etiqueta. Si tienes más imágenes etiquetadas, puedes agregar más. Según la complejidad del problema y el grado de precisión requerido, puede seguir añadiendo imágenes adicionales por etiqueta para mejorar el modelo.

La característica de personalización de modelos para Visión de Azure es la siguiente generación de Custom Vision, con mayor precisión y capacidades de aprendizaje con pocos ejemplos. Se recomienda migrar sus datos de entrenamiento para volver a entrenar su modelo con la personalización de modelos en Visión de Azure.