Hopp over navigasjon

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.

Prøv API for visuelt innhold

Kunngjøring

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.

Se i praksis

  1. Testversjon
  2. JSON

Sorry

Have a

Oops!

nice day

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": [
          208,
          374,
          433,
          376,
          429,
          493,
          203,
          494
        ],
        "text": "Oops!",
        "words": [
          {
            "boundingBox": [
              202,
              373,
              458,
              373,
              458,
              493,
              202,
              493
            ],
            "text": "Oops!"
          }
        ]
      },
      {
        "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": [
          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

  1. Testversjon
  2. JSON

OUR greatest glory is not

in never failing,

om

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": "6ca18576-3a11-4e22-b689-b8e69b949456",
  "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

Mer informasjon

Ressurser

Utforsk API-ene for Cognitive Services

  1. Visuelle funksjoner
  2. Tale
  3. Språk
  4. Anomaly Detection
  5. Søk

Visuelt innhold

Hent ut brukbar informasjon fra bilder

Ansikt

Registrer, identifiser, analyser, ordne og tagg ansikter i bilder

Video Indexer

Lås opp videoinnsikter

Content Moderator

Automatisert bilde, tekst og videomoderering

Custom Vision

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

Tekstanalyser

Evaluer enkelt følelser og emner for å forstå hva brukerne vil ha

Translator Text

Utfør maskinoversettelse helt enkelt med en enkel REST-API-oppkalling

Bing Spell Check

Finn og rett stavefeil i appen din

QnA Maker

Trekk ut informasjonen, og produser svar som er enkle å forstå og har en konversasjonslignende tone

Content Moderator

Automatisert bilde, tekst og videomoderering

Language Understanding

Lær appene dine å forstå kommandoer fra brukerne

Tale til tekst

Tale til tekst-API er en del av Azure Cognitive Services Speech Services

Talergjenkjennings TESTVERSJON

Bruk tale til å identifisere og bekrefte enkelttalere

Tekst til tale

Konverter tekst til tale for å skape mer naturlige, tilgjengelige grensesnitt