Azure Vision i Foundry Tools

Azure Vision är ett kraftfullt verktyg inom Foundry Tools (tidigare Azure AI Services). Azure Vision erbjuder en uppsättning förbyggda API:er som gör det möjligt för appar och agenter att visuellt tolka världen. Vision erbjuder funktioner som bildanalys, objektidentifiering, rumslig förståelse och optisk teckenigenkänning (OCR). Med de här verktygen kan utvecklare bygga intelligenta lösningar som kan "se" och förstå visuellt innehåll i realtid.

Vision är integrerat på den enhetliga Foundry-plattformen för att leverera avancerade agentbaserade AI-upplevelser.

Azure Vision (tidigare Azure AI-visuellt innehåll) är utformat för att påskynda utvecklingen av intelligenta agenter och program utan att några djupare kunskaper inom maskininlärning krävs.

Ja, Azure Vision (tidigare Azure AI-visuellt innehåll) ingår nu i sviten Foundry Tools. Namnbytet är en del av en bredare plattformsintegrering under Foundry, som återspeglar utvecklarnas ökande användning av de här tjänsterna som modulära verktyg för att bygga intelligenta, agentbaserade program.

Azure Vision i Foundry Tools erbjuder samma kraftfulla funktioner – bildanalys, objektidentifiering,optisk teckenigenkänning (OCR) och rumslig förståelse – men finns nu i en sammanhållen verktygslåda för agentarbetsflöden och multimodala AI-scenarier. Namnbytet bidrar till att tydliggöra visar hur Vision passar in i Foundry-ekosystemet, och gör det enklare att upptäcka, orkestrera och integrera med andra agenter och verktyg.

Den här förändringen handlar om att ge utvecklare en samordnad upplevelse för att bygga AI-agenter som ser, förstår och agerar.

Nej. Microsoft raderar automatiskt dina bilder och videor när de har bearbetats, och tränar inte med dina data för att förbättra underliggande modeller. Videodata lämnar inte din lokala plats, och videodata lagras inte på den gräns där containern körs. Läs mer om sekretess och användningsvillkor.

Nej, rumsanalys identifierar förekomst av människor i videomaterial och ritar upp en avgränsningsruta runt varje människa som upptäcks. AI-modellerna identifierar inte ansikten eller fastställer individers identiteter eller demografi.

AI-modellerna för rumsanalys identifierar och spårar rörelser i videoflödet baserat på algoritmer som identifierar förekomst av en eller flera människor med en kroppsavgränsningsruta. För varje person och avgränsningsruta som identifieras i en zon i kamerans synfält matar AI-modellerna ut händelsedata: koordinater för avgränsningsrutan för en persons kropp, händelsetyp (till exempel zoninträde eller -utträde eller riktad linjeövergång), pseudonym-ID:n för spårning av avgränsningsrutan och konfidenspoäng för identifieringen. Dessa händelsedata skickas till din egen instans av Azure IoT Hub.

Ja. Eftersom modellanpassningen är utformad för att finjusteras efter just ditt scenario måste du ange etiketterade data för att träna din modell.

Tjänstens funktion för modellanpassning är optimerad för att snabbt hitta stora skillnader mellan bilder. Därför kan du börja skapa prototyper av din modell med en liten mängd data. Du kan börja med så lite som en bild per etikett. Om du har fler etiketterade bilder kan du lägga till fler. Beroende på problemets komplexitet och den noggrannhetsgrad som krävs, kan du fortsätta att lägga till ytterligare bilder per etikett för att förbättra modellen.

Funktionen för modellanpassning i Azure Vision är nästa generation av Custom Vision, med förbättrad noggrannhet och inlärning med få exempel (few-shot learning). Det rekommenderas att du migrerar dina träningsdata för att träna om din modell med modellanpassning i Azure Vision.