API for visuelt innhold

Utvinn rik informasjon fra bilder for å kategorisere og behandle visuelle data – og maskinassistert moderering av bilder for å kuratere tjenestene dine.

Analyser et bilde

Denne funksjonen returnerer informasjon om visuelt innhold i et bilde. Bruk tagging, beskrivelser og domenespesifikke modeller for å identifisere innhold og merke det med full trygghet. Bruk innstillinger for rasistisk innhold eller innhold uegnet for barn for å aktivere automatiske begrensninger av slikt innhold. Identifiser bildetyper og fargeskjemaer i bilder.

Se i praksis

Funksjonsnavn:	Verdi
Beskrivelse	{ "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 } ] }
Tagger	[ { "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 } ]
Bildeformat	"Jpeg"
Bildedimensjoner	462 x 600
Ferdig tegningstype	0
Linjetegningstype	0
Svart-hvitt	false
Vokseninnhold	false
Voksenscore	0.0147124995
Voksent	false
Voksenscore	0.0162802152
Kategorier	[ { "name": "trans_trainstation", "score": 0.98828125 } ]
Ansikter	[]
Dominant bakgrunnsfarge	"Black"
Dominant forgrunnsfarge	"Black"
Aksentfarge	#484C83

Vil du bygge dette?

Dokumentasjon

Les tekst i bilder

Optisk tegngjenkjenning (OCR) gjenkjenner tekst i et bilde, og henter ut de gjenkjente ordene til en maskinlesbar tegnstrøm. Analyser bilder for å gjenkjenne innebygd tekst, opprette tegnstrømmer og aktivere søk. Spar tid ved å ta bilder av tekst i stedet for å kopiere.

IF WE DID

ALL

THE THINGS

WE ARE

CAPABLÉ•

OF DOING,

WE WOULD

LITERALLY

ASTOUND

QURSELV*S.

{
  "textAngle": 0.0,
  "orientation": "NotDetected",
  "language": "en",
  "regions": [
    {
      "boundingBox": "316,47,284,340",
      "lines": [
        {
          "boundingBox": "319,47,182,24",
          "words": [
            {
              "boundingBox": "319,47,42,24",
              "text": "IF"
            },
            {
              "boundingBox": "375,47,44,24",
              "text": "WE"
            },
            {
              "boundingBox": "435,47,66,23",
              "text": "DID"
            }
          ]
        },
        {
          "boundingBox": "316,74,204,69",
          "words": [
            {
              "boundingBox": "316,74,204,69",
              "text": "ALL"
            }
          ]
        },
        {
          "boundingBox": "318,147,207,24",
          "words": [
            {
              "boundingBox": "318,147,63,24",
              "text": "THE"
            },
            {
              "boundingBox": "397,147,128,24",
              "text": "THINGS"
            }
          ]
        },
        {
          "boundingBox": "316,176,125,23",
          "words": [
            {
              "boundingBox": "316,176,44,23",
              "text": "WE"
            },
            {
              "boundingBox": "375,176,66,23",
              "text": "ARE"
            }
          ]
        },
        {
          "boundingBox": "319,194,281,44",
          "words": [
            {
              "boundingBox": "319,194,281,44",
              "text": "CAPABLÉ•"
            }
          ]
        },
        {
          "boundingBox": "318,243,181,29",
          "words": [
            {
              "boundingBox": "318,243,43,23",
              "text": "OF"
            },
            {
              "boundingBox": "376,243,123,29",
              "text": "DOING,"
            }
          ]
        },
        {
          "boundingBox": "316,271,170,24",
          "words": [
            {
              "boundingBox": "316,272,44,23",
              "text": "WE"
            },
            {
              "boundingBox": "375,271,111,24",
              "text": "WOULD"
            }
          ]
        },
        {
          "boundingBox": "317,300,200,24",
          "words": [
            {
              "boundingBox": "317,300,200,24",
              "text": "LITERALLY"
            }
          ]
        },
        {
          "boundingBox": "316,328,157,24",
          "words": [
            {
              "boundingBox": "316,328,157,24",
              "text": "ASTOUND"
            }
          ]
        },
        {
          "boundingBox": "318,357,214,30",
          "words": [
            {
              "boundingBox": "318,357,214,30",
              "text": "QURSELV*S."
            }
          ]
        }
      ]
    }
  ]
}

Når du laster opp data for denne demoen, samtykker du i at Microsfot kan lagre den og bruke den til å gjøre Microsoft-tjenester bedre, inkludert denne API-en. For å hjelpe med å beskytte personvernet utfører vi tiltak for å avidentifisere dataene dine og holde dem sikre. Vi kommer ikke til å publisere dataene dine eller la andre mennesker bruke dem.

Vil du bygge dette?

Dokumentasjon

Testversjon: Les håndskrevet tekst fra bilder

Ved hjelp av denne teknologien (håndskrevet OCR) kan du oppdage og trekke ut håndskrevet tekst fra notater, brev, stiler, tavler, skjemaer osv. Den fungerer med forskjellige overflater og bakgrunner, for eksempel hvitbøker, gule lapper og tavler.

Gjenkjenning av håndskrevet tekst sparer tid og arbeid, og kan gjøre deg mer produktiv ved at du kan ta bilder av tekst i stedet for å måtte transkribere den. Det blir mulig å digitalisere notater slik at du senere kan kjøre raske og enkle søk. Det reduserer også papirrot.

Merk: denne teknologien er for øyeblikket i testversjon, og er bare tilgjengelig for engelsk tekst.

Hvis du skal prøve denne demonstrasjonsversjonen av optisk tegngjenkjenning, må du laste opp et lokalt lagret bilde eller oppgi URL-adressen til et bilde. Vi lagrer ikke bildene du bruker i denne demonstrasjonen med mindre du gir tillatelse til det.

Se i praksis

Testversjon
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"
          }
        ]
      }
    ]
  }
}

Vil du bygge dette?

Dokumentasjon

Gjenkjenn kjendiser og landemerker

Modellene for kjendiser og landemerker er eksempler på domenespesifikke modeller. Vår gjenkjenningsmodell for kjendiser kan kjenne igjen 200 000 kjendiser fra forretningsverden, politikk, sport og underholdning. Vår gjenkjenningsmodell for landemerker gjenkjenner 9000 naturlige og menneskeskapte landemerker fra hele verden. Domenespesifikke modeller er funksjoner som stadig utvikles videre innen API-er for visuelt innhold.

Se i praksis

{
  "categories": [
    {
      "name": "people_",
      "score": 0.86328125,
      "detail": {
        "celebrities": [
          {
            "name": "Satya Nadella",
            "faceRectangle": {
              "left": 240,
              "top": 294,
              "width": 135,
              "height": 135
            },
            "confidence": 0.99999558925628662
          }
        ],
        "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": "54cc83a0-361a-40df-a713-46a04f0d8193",
  "metadata": {
    "width": 600,
    "height": 900,
    "format": "Jpeg"
  },
  "faces": [
    {
      "age": 48,
      "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
  }
}

Vil du bygge dette?

Dokumentasjon

Analyser video i nær sanntid

Analyser video i tilnærmet sanntid. Bruk en av API-ene for visuelt innhold sammen med videofilene ved å hente ut videobilder fra enheten og deretter sende disse bildene til de ønskede API-anropene. Får resultater fra videoene dine raskere.

Bruk eksempelet vårt på GitHub for å komme igang med å bygge din egen app.

Les mer

Se i praksis

Vil du bygge dette?

Dokumentasjon

Opprett et miniatyrbilde

Opprett miniatyrbilder av høy kvalitet som er effektive for lagring basert på et hvilket som helst inndatabilde. Bruk miniatyrbilder for å redigere bilder slik at de passer dine behov i henhold til størrelse, format og stil. Bruk smart beskjæring for å lage miniatyrbilder som varierer fra størrelsesforholdet til det originale bildet, men likevel beholder det viktigste.

Se i praksis

Vil du bygge dette?

Dokumentasjon

"Vi kan bruke API for visuelt innhold til å vise kundene våre hvor pålitelige dataene er, slik at de tør å treffe viktige forretningsbeslutninger basert på den informasjonen"

Leendert de Voogd: Administrerende direktør | Vigiglobe

Mer informasjon

"Det tok ikke lang tid før vi skjønte at Microsoft Cognitive Services gav oss svært kraftige verktøy for behandling av visuelt innhold og kunstig intelligens, som kunne brukes til å lage fantastiske apper og nye funksjoner for kundene våre, på bare noen få timer"

John Fan: Medstifter og administrerende direktør | Cardinal Blue Software

Mer informasjon

"Fordi Cognitive Services-API-ene bruker maskinlæring, kunne vi gi produktet vårt avansert intelligens uten å trenge et team av datateknikere"

Aaron Edell: Ledende produkteier | GrayMeta

Mer informasjon

"Vi så at Cognitive Services var puslespillbiten vi manglet, den vi trengte for å kunne levere denne løsningen til markedet og virkelig revolusjonere måten man ser video på"

Katie McCann: Produkt- og teknologidirektør | Prism Skylabs

Mer informasjon

"Microsoft Cognitive Services gir oss svært mange muligheter. Det passer perfekt for oss nå, og også senere når vi vil gi appen vår flere funksjoner"

Jaan Apajalahti: Administrerende direktør| Blucup

Mer informasjon

"Med Cognitive Services-API-ene tok det oss tre måneder å utvikle et par testbriller som kan oversette tekst og bilder til tale, identifisere følelser og beskrive landskap. Hvis vi hadde jobbet fulltid, kunne vi ha gjort det på to uker"

Benoit Chirouter: Direktør for F&U| Pivothead

Mer informasjon