Visuelt innhold

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

Kunngjøring

Les tekst i bilder på kanten, lokalt og i skyen, ved hjelp av beholder. Mer informasjon

Analyser et bilde

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

Se i praksis

Funksjonsnavn:	Verdi
Objekter	[ { "rectangle": { "x": 93, "y": 178, "w": 115, "h": 237 }, "object": "person", "confidence": 0.764 }, { "rectangle": { "x": 0, "y": 229, "w": 101, "h": 206 }, "object": "person", "confidence": 0.624 }, { "rectangle": { "x": 161, "y": 31, "w": 439, "h": 423 }, "object": "subway train", "parent": { "object": "train", "parent": { "object": "Land vehicle", "parent": { "object": "Vehicle", "confidence": 0.926 }, "confidence": 0.923 }, "confidence": 0.917 }, "confidence": 0.801 } ]
Tagger	[ { "name": "train", "confidence": 0.9975446 }, { "name": "platform", "confidence": 0.995543063 }, { "name": "station", "confidence": 0.9798007 }, { "name": "indoor", "confidence": 0.9277198 }, { "name": "subway", "confidence": 0.838939548 }, { "name": "pulling", "confidence": 0.4317156 } ]
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": 0.8330993 } ] }
Bildeformat	"Jpeg"
Bildedimensjoner	462 x 600
Ferdig tegningstype	0
Linjetegningstype	0
Svart-hvitt	false
Vokseninnhold	false
Voksenscore	0.009112834
Voksent	false
Voksenscore	0.0143244695
Kategorier	[ { "name": "trans_trainstation", "score": 0.98828125 } ]
Ansikter	[]
Dominant bakgrunnsfarge	"Black"
Dominant forgrunnsfarge	"Black"
Aksentfarge	#484C83

Vil du bygge dette?

Finn ut hvordan

Les tekst i bilder

Oppdag tekst i et bilde ved å bruke optisk tegngjenkjenning (OCR) og hent ut de gjenkjente ordene til en maskinleselig tegnstrøm. Analyser bilder for å gjenkjenne innebygd tekst, opprette tegnstrømmer og aktivere søk. Spar tid og innsats ved å ta bilder av tekst i stedet for å kopiere.

Kom i gang med OCR-tjenesten som er generelt tilgjengelig og få en smugtitt nedenfor av den nye testversjonen av OCR-motoren (via «Gjenkjenn tekst»-API-en) som har enda bedre tekstgjenkjenningsresultater for engelsk.

Sorry

Have a

nice day

Oops!

See you soon

bye!

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          125,
          125,
          376,
          95,
          385,
          210,
          147,
          250
        ],
        "text": "Sorry",
        "words": [
          {
            "boundingBox": [
              115,
              125,
              375,
              88,
              393,
              214,
              133,
              251
            ],
            "text": "Sorry"
          }
        ]
      },
      {
        "boundingBox": [
          591,
          170,
          914,
          127,
          926,
          220,
          603,
          263
        ],
        "text": "Have a",
        "words": [
          {
            "boundingBox": [
              586,
              177,
              803,
              147,
              810,
              227,
              601,
              266
            ],
            "text": "Have"
          },
          {
            "boundingBox": [
              838,
              145,
              897,
              142,
              901,
              218,
              844,
              223
            ],
            "text": "a"
          }
        ]
      },
      {
        "boundingBox": [
          582,
          248,
          953,
          220,
          962,
          338,
          591,
          367
        ],
        "text": "nice day",
        "words": [
          {
            "boundingBox": [
              578,
              265,
              758,
              239,
              762,
              348,
              579,
              350
            ],
            "text": "nice"
          },
          {
            "boundingBox": [
              780,
              237,
              934,
              221,
              940,
              342,
              784,
              347
            ],
            "text": "day"
          }
        ]
      },
      {
        "boundingBox": [
          208,
          374,
          433,
          376,
          429,
          493,
          203,
          494
        ],
        "text": "Oops!",
        "words": [
          {
            "boundingBox": [
              202,
              373,
              458,
              373,
              458,
              493,
              202,
              493
            ],
            "text": "Oops!"
          }
        ]
      },
      {
        "boundingBox": [
          164,
          629,
          620,
          600,
          626,
          690,
          169,
          719
        ],
        "text": "See you soon",
        "words": [
          {
            "boundingBox": [
              170,
              628,
              303,
              625,
              309,
              712,
              176,
              716
            ],
            "text": "See"
          },
          {
            "boundingBox": [
              303,
              625,
              435,
              621,
              441,
              701,
              309,
              712
            ],
            "text": "you"
          },
          {
            "boundingBox": [
              447,
              620,
              614,
              613,
              620,
              676,
              453,
              700
            ],
            "text": "soon"
          }
        ]
      },
      {
        "boundingBox": [
          824,
          506,
          1007,
          501,
          1000,
          621,
          837,
          633
        ],
        "text": "bye!",
        "words": [
          {
            "boundingBox": [
              806,
              505,
              1036,
              494,
              1042,
              622,
              812,
              633
            ],
            "text": "bye!"
          }
        ]
      }
    ]
  }
}

Vil du bygge dette?

Finn ut hvordan

Testversjon: Les håndskrevet tekst fra bilder

Oppdag og trekk ut håndskrevet tekst fra notater, brev, stiler, tavler, skjemaer og andre kilder. Reduser papirrot and bli mer produktiv ved å ta bilder av håndskrevne notater i stedet for å kopiere dem. Digitale notater er enkelt å finne ved å søke. Håndskrifts-OCR fungerer med forskjellige overflater og bakgrunner, for eksempel hvitbøker, gule lapper og tavler.

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

Se i praksis

Testversjon
JSON

OUR greatest glory is not

in never failing,

but in rising

_every

time

fall

{
  "status": "Succeeded",
  "succeeded": true,
  "failed": false,
  "finished": true,
  "recognitionResult": {
    "lines": [
      {
        "boundingBox": [
          63,
          200,
          674,
          205,
          673,
          258,
          62,
          254
        ],
        "text": "OUR greatest glory is not",
        "words": [
          {
            "boundingBox": [
              60,
              201,
              157,
              204,
              157,
              255,
              60,
              252
            ],
            "text": "OUR"
          },
          {
            "boundingBox": [
              187,
              205,
              351,
              208,
              351,
              257,
              187,
              255
            ],
            "text": "greatest"
          },
          {
            "boundingBox": [
              387,
              208,
              501,
              209,
              502,
              256,
              388,
              257
            ],
            "text": "glory"
          },
          {
            "boundingBox": [
              537,
              209,
              584,
              209,
              585,
              255,
              538,
              256
            ],
            "text": "is"
          },
          {
            "boundingBox": [
              597,
              209,
              678,
              208,
              679,
              253,
              599,
              255
            ],
            "text": "not"
          }
        ]
      },
      {
        "boundingBox": [
          520,
          306,
          902,
          300,
          903,
          364,
          521,
          370
        ],
        "text": "in never failing,",
        "words": [
          {
            "boundingBox": [
              521,
              323,
              552,
              320,
              554,
              354,
              524,
              355
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              595,
              315,
              693,
              306,
              692,
              355,
              597,
              354
            ],
            "text": "never"
          },
          {
            "boundingBox": [
              730,
              304,
              912,
              303,
              906,
              367,
              728,
              356
            ],
            "text": "failing,"
          }
        ]
      },
      {
        "boundingBox": [
          825,
          453,
          729,
          454,
          728,
          417,
          824,
          421
        ],
        "text": "om",
        "words": [
          {
            "boundingBox": [
              818,
              455,
              779,
              454,
              780,
              417,
              819,
              418
            ],
            "text": "om"
          }
        ]
      },
      {
        "boundingBox": [
          134,
          415,
          420,
          426,
          418,
          464,
          132,
          453
        ],
        "text": "but in rising",
        "words": [
          {
            "boundingBox": [
              133,
              416,
              205,
              418,
              203,
              456,
              131,
              452
            ],
            "text": "but"
          },
          {
            "boundingBox": [
              225,
              419,
              265,
              421,
              264,
              459,
              223,
              457
            ],
            "text": "in"
          },
          {
            "boundingBox": [
              304,
              423,
              417,
              431,
              416,
              460,
              302,
              460
            ],
            "text": "rising"
          }
        ]
      },
      {
        "boundingBox": [
          435,
          426,
          582,
          428,
          581,
          463,
          435,
          462
        ],
        "text": "_every",
        "words": [
          {
            "boundingBox": [
              426,
              427,
              568,
              430,
              567,
              463,
              426,
              462
            ],
            "text": "_every"
          }
        ]
      },
      {
        "boundingBox": [
          598,
          417,
          712,
          420,
          711,
          455,
          600,
          455
        ],
        "text": "time",
        "words": [
          {
            "boundingBox": [
              618,
              416,
              711,
              418,
              711,
              456,
              617,
              454
            ],
            "text": "time"
          }
        ]
      },
      {
        "boundingBox": [
          868,
          421,
          969,
          409,
          971,
          452,
          874,
          459
        ],
        "text": "fall",
        "words": [
          {
            "boundingBox": [
              867,
              418,
              967,
              408,
              971,
              451,
              871,
              461
            ],
            "text": "fall"
          }
        ]
      }
    ]
  }
}

Vil du bygge dette?

Finn ut hvordan

Gjenkjenn kjendiser og landemerker

Gjenkjenn mer enn 200 000 kjendiser fra forretning, politikk, sport og underholdning, i tillegg til 9000 naturlige og kunstige landemerker rundt om i verden.

Se i praksis

{
  "categories": [
    {
      "name": "people_",
      "score": 0.86328125,
      "detail": {
        "celebrities": [
          {
            "name": "Satya Nadella",
            "faceRectangle": {
              "left": 240,
              "top": 294,
              "width": 135,
              "height": 135
            },
            "confidence": 0.99984323978424072
          }
        ],
        "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
    },
    {
      "name": "sound",
      "confidence": 0.23671795330197121
    },
    {
      "name": "wedding",
      "confidence": 0.1843707298035846
    },
    {
      "name": "ceremony",
      "confidence": 0.13376032654612283
    },
    {
      "name": "headshot",
      "confidence": 0.13326184709017147
    }
  ],
  "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": 0.99032750982666984
      }
    ]
  },
  "requestId": "a06939f5-84af-4f48-9113-41c5a873c0c2",
  "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
  }
}

Vil du bygge dette?

Finn ut hvordan

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?

Finn ut hvordan

Opprett et miniatyrbilde

Lag et høyverdig lagringseffektivt miniatyrbilde basert på et hvilket som helst bilde, og rediger 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?

Finn ut hvordan

"We can use the Computer Vision API to prove to our clients the reliability of the data, so they can be confident making important business decisions based on that information"

Leendert de Voogd: Administrerende direktør | Vigiglobe

Mer informasjon

"It didn’t take us long to realize Microsoft Cognitive Services had handed us a powerful set of computer-vision and artificial-intelligence tools that we could use to create great apps and new features for our customers in just a few hours"

John Fan: Medstifter og administrerende direktør | Cardinal Blue Software

Mer informasjon

"Because the Cognitive Services APIs harness the power of machine learning, we were able to bring advanced intelligence into our product without the need to have a team of data scientists on hand"

Aaron Edell: Ledende produkteier | GrayMeta

Mer informasjon

"We found Cognitive Services to be the missing piece in the equation, the one that we needed to bring this solution to market and really revolutionize the way people look at video"

Katie McCann: Produkt- og teknologidirektør | Prism Skylabs

Mer informasjon

"Microsoft Cognitive Services gives us a huge range of opportunities. It’s a perfect match for us now, and in the future when we want to add more features to our app"

Jaan Apajalahti: Administrerende direktør| Blucup

Mer informasjon

"Using the Cognitive Services APIs, it took us three months to develop a test pair of glasses that can translate text and images into speech, identify emotions, and describe scenery.If we had been working full time, we could have done it in two weeks"

Benoit Chirouter: Direktør for F&U| Pivothead

Mer informasjon

Les mer

Ressurser

Custom Vision ^TESTVERSJON

Du kan enkelt tilpasse dine egne, moderne datamodeller for visuelt innhold til dine spesielle behov

Talergjenkjennings ^TESTVERSJON

Bruk tale til å identifisere og bekrefte enkelttalere

Visuelt innhold

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

Analyser et bilde

Se i praksis

Les tekst i bilder

Se i praksis

Testversjon: Les håndskrevet tekst fra bilder

Se i praksis

Gjenkjenn kjendiser og landemerker

Se i praksis

Analyser video i nær sanntid

Se i praksis

Opprett et miniatyrbilde

Se i praksis

Utforsk API-ene for Cognitive Services

Visuelt innhold

Ansikt

Video Indexer

Content Moderator

Custom Vision ^TESTVERSJON

Tekstanalyser

Translator Text

Bing Spell Check

Content Moderator

Language Understanding

Speech-tjenester

Talergjenkjennings ^TESTVERSJON

Bing Web Search

Bing Visual Search

Bing Custom Search

Bing Entity Search API

Bing Video Search

Visuelt innhold

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

Analyser et bilde

Se i praksis

Les tekst i bilder

Se i praksis

Testversjon: Les håndskrevet tekst fra bilder

Se i praksis

Gjenkjenn kjendiser og landemerker

Se i praksis

Analyser video i nær sanntid

Se i praksis

Opprett et miniatyrbilde

Se i praksis

Utforsk API-ene for Cognitive Services

Custom Vision TESTVERSJON

Talergjenkjennings TESTVERSJON

Custom Vision ^TESTVERSJON

Talergjenkjennings ^TESTVERSJON