Görüntü İşleme

Görüntü ve videolardaki içeriği çözümleyen bir yapay zeka hizmeti

Resimlerden ve videolardan zengin bilgiler ayıklayın

Azure Bilişsel Hizmetler’in bir parçası olan Görüntü İşleme ile içerik bulunabilirliğini artırın, metin ayıklamayı otomatikleştirin, videoyu gerçek zamanlı olarak analiz edin ve uygulamalarınıza bulut görüntü işleme yeteneklerini ekleyerek daha fazla kişinin kullanabileceği ürünler oluşturun. İçerikleri nesneler ve kavramlarla etiketlemek, metin ayıklamak, resim açıklamaları oluşturmak, içeriği denetlemek ve insanların fiziksel alanlardaki hareketlerini anlamak için görsel veri işlemeyi kullanın. Makine öğrenimi ile ilgili uzmanlık sahibi olmanız gerekmez.

Metin ayıklama (OCR)

Karışık dillerin ve yazma stillerinin yer aldığı resimler ile belgelerden hem yazdırılmış hem de el ile yazılmış metinleri ayıklayın.

Görüntü anlama

Görsel varlıklarınızdan değer elde etmek için 10.000’den fazla kavram ve nesnenin yer aldığı zengin bir ontolojiden seçim yapın.

Uzamsal analiz

Gerçek zamanlı doluluk sayımı, sosyal mesafe ve yüz maskesi algılama için bir alandaki kişilerin hareketlerini analiz edin.

Esnek dağıtım

Görüntü İşleme hizmetini bulutta veya kapsayıcılarla uç cihazlarda çalıştırabilirsiniz.

Çığır açan görüntü işleme özelliğini kolayca uygulayın

Basit bir API çağrısı ile uygulamalarınıza çığır açan video ve fotoğraf tanıma teknolojisi ekleyin.

Nasıl çalıştığını görün

person
person
subway train
Özellik Adı: Değer
Nesne [ { "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 } ]
Etiketler [ { "name": "train", "confidence": 0.9974923 }, { "name": "platform", "confidence": 0.9955777 }, { "name": "station", "confidence": 0.979665935 }, { "name": "indoor", "confidence": 0.9272351 }, { "name": "subway", "confidence": 0.838868737 }, { "name": "clothing", "confidence": 0.5561282 }, { "name": "person", "confidence": 0.505803 }, { "name": "pulling", "confidence": 0.431911945 } ]
Açıklama { "tags": [ "train", "platform", "station", "building", "indoor", "subway", "track", "walking", "waiting", "pulling", "board", "people", "man", "luggage", "standing", "holding", "large", "woman", "suitcase" ], "captions": [ { "text": "people waiting at a train station", "confidence": 0.833144546 } ] }
Resim biçimi "Jpeg"
Resim boyutları 462 x 600
Siyah beyaz false
Yetişkinlere yönelik içerik false
Yetişkinlere yönelik içerik puanı 0.009112834
Gory false
Gore Puanı 0.046150554
Müstehcen false
Müstehcenlik puanı 0.0143244695
Kategoriler [ { "name": "trans_trainstation", "score": 0.98828125 } ]
Yüzler []
Baskın renk arka plan
"Black"
Baskın renk ön plan
"Black"
Vurgu Rengi
#484C83
{
  "categories": [
    {
      "name": "trans_trainstation",
      "score": 0.98828125
    }
  ],
  "adult": {
    "isAdultContent": false,
    "isGoryContent": false,
    "isRacyContent": false,
    "adultScore": 0.009112834,
    "goreScore": 0.046150554,
    "racyScore": 0.0143244695
  },
  "tags": [
    {
      "name": "train",
      "confidence": 0.9974923
    },
    {
      "name": "platform",
      "confidence": 0.9955777
    },
    {
      "name": "station",
      "confidence": 0.979665935
    },
    {
      "name": "indoor",
      "confidence": 0.9272351
    },
    {
      "name": "subway",
      "confidence": 0.838868737
    },
    {
      "name": "clothing",
      "confidence": 0.5561282
    },
    {
      "name": "person",
      "confidence": 0.505803
    },
    {
      "name": "pulling",
      "confidence": 0.431911945
    }
  ],
  "description": {
    "tags": [
      "train",
      "platform",
      "station",
      "building",
      "indoor",
      "subway",
      "track",
      "walking",
      "waiting",
      "pulling",
      "board",
      "people",
      "man",
      "luggage",
      "standing",
      "holding",
      "large",
      "woman",
      "suitcase"
    ],
    "captions": [
      {
        "text": "people waiting at a train station",
        "confidence": 0.833144546
      }
    ]
  },
  "requestId": "e2b2350a-1fa6-48b1-aef8-c2997b78a7ae",
  "metadata": {
    "width": 600,
    "height": 462,
    "format": "Jpeg"
  },
  "faces": [],
  "color": {
    "dominantColorForeground": "Black",
    "dominantColorBackground": "Black",
    "accentColor": "484C83",
    "isBWImg": false
  },
  "objects": [
    {
      "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
    }
  ]
}
{
  "categories": [
    {
      "name": "trans_trainstation",
      "score": 0.98828125
    }
  ],
  "adult": {
    "isAdultContent": false,
    "isGoryContent": false,
    "isRacyContent": false,
    "adultScore": 0.009112834,
    "goreScore": 0.046150554,
    "racyScore": 0.0143244695
  },
  "tags": [
    {
      "name": "train",
      "confidence": 0.9974923
    },
    {
      "name": "platform",
      "confidence": 0.9955777
    },
    {
      "name": "station",
      "confidence": 0.979665935
    },
    {
      "name": "indoor",
      "confidence": 0.9272351
    },
    {
      "name": "subway",
      "confidence": 0.838868737
    },
    {
      "name": "clothing",
      "confidence": 0.5561282
    },
    {
      "name": "person",
      "confidence": 0.505803
    },
    {
      "name": "pulling",
      "confidence": 0.431911945
    }
  ],
  "description": {
    "tags": [
      "train",
      "platform",
      "station",
      "building",
      "indoor",
      "subway",
      "track",
      "walking",
      "waiting",
      "pulling",
      "board",
      "people",
      "man",
      "luggage",
      "standing",
      "holding",
      "large",
      "woman",
      "suitcase"
    ],
    "captions": [
      {
        "text": "people waiting at a train station",
        "confidence": 0.833144546
      }
    ]
  },
  "requestId": "e2b2350a-1fa6-48b1-aef8-c2997b78a7ae",
  "metadata": {
    "width": 600,
    "height": 462,
    "format": "Jpeg"
  },
  "faces": [],
  "color": {
    "dominantColorForeground": "Black",
    "dominantColorBackground": "Black",
    "accentColor": "484C83",
    "isBWImg": false
  },
  "objects": [
    {
      "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
    }
  ]
}

Süreçlerinizi dönüştürün

Resimlerinizdeki 10.000’den fazla nesneyi ve kavramı otomatik olarak tanımlayın. Birden çok dile ve karışık yazma stiline yönelik destekten yararlanarak birden çok resim ve belge türündeki yazdırılmış veya el ile yazılmış metni ayıklayın. Bu Görüntü İşleme özelliklerini robotik süreç otomasyonu ve dijital varlık yönetimi gibi süreçleri basitleştirmek için uygulayın.

Kuruluşunuzun fiziksel alanının değerini en üst düzeye çıkarın

İnsanların bir ofis veya mağaza gibi fiziksel bir alanda nasıl hareket ettiğini anlayın. Bir odadaki insanları sayabilen, yolları izleyebilen, insanların mağaza vitrininin önünde kalma süresini anlayabilen ve kuyruklardaki bekleme sürelerini belirleyebilen uygulamalar oluşturmak için uzamsal analiz özelliğini kullanın. Alan yönetimi ve sosyal mesafeyi mümkün kılan, yüz maskesi kurallarına uyumu sağlayan, mağaza içi ve ofis düzenlerini iyileştiren ve kasada ödeme alma sürecini hızlandıran çözümler oluşturun. Hizmeti birden çok kamera ve site genelinde çalıştırın.

Bu özellik hakkında daha fazla bilgi edinin

Her yerde, buluttan uca dağıtma

Görüntü İşleme hizmetini bulutta veya kapsayıcılarla şirket içinde çalıştırabilirsiniz. Bunu sağlık hizmetleri kaydı resim incelemesi, güvenli belgelerden metin ayıklama veya bir insanların mağazada hareket etme tarzlarının analizi gibi, veri güvenliğinin ve düşük gecikmenin çok önemli olduğu çeşitli senaryolara uygulayın.

Kapsayıcılarda Görüntü İşleme hakkında bilgi edinin

Endüstri lideri Azure güvenliğiyle oluşturun

  • Microsoft, siber güvenlik araştırma ve geliştirme çalışmalarına her yıl en az USD 1 billion tutarında yatırım yapıyor.

  • Yalnızca veri güvenliği ve gizliliği için çalışan 3.500 güvenlik uzmanımız bulunuyor.

  • Diğer tüm bulut sağlayıcılarına kıyasla Azure daha fazla uyumluluk sertifikasına sahiptir. Kapsamlı listeyi görüntüleyin.

Uygun fiyatlı birinci sınıf görüntü işleme hizmeti

Hiçbir ön maliyet olmadan, yalnızca kullandığınız kadar ödeyin. Görüntü İşleme’yi kullandığınızda işlem sayısı temelinde kullandığınız kadar ödersiniz.

3 adımda Görüntü İşleme’yi kullanmaya başlayın

Ücretsiz Azure hesabına kaydolarak anında erişim ve $200 değerinde kredi elde edin.

Azure portalında oturum açın ve Görüntü İşleme'yi ekleyin.

Hızlı başlangıçlar ve belgelerle Görüntü İşleme’yi eklemeyi öğrenin.

Belgeler ve kaynaklar

Kullanmaya başlayın

Belgeleri okuyun

Microsoft Learn kurslarına katılın

Kod örneklerini görün

Bir örnek uygulama keşfedin

Görüntü İşleme hakkında sıkça sorulan sorular

  • Görüntü İşleme ve diğer Azure Bilişsel Hizmetler teklifleri %99,9 kullanılabilirlik garantisi verir. Ücretsiz fiyatlandırma katmanı için SLA sağlanmaz. SLA ayrıntılarına bakın.
  • Hayır. Microsoft, işlendikten sonra görüntülerinizi ve videolarınızı otomatik olarak siler ve temel modelleri iyileştirmek için verileriniz üzerinden işleme yapmaz. Video verileri tesisinizden çıkmaz ve veriler, kapsayıcının çalıştığı uç noktada depolanmaz. Gizlilik ve kullanım koşulları hakkında daha fazla bilgi edinin.
  • Görüntülerden ve videodan metin ayıklamak için Görüntü İşleme kullandıktan sonra, yaklaşımı analiz etmek için Metin Analizi’ni, metni istediğiniz dile çevirmek için Çevirmen’i veya metni yüksek sesle okuyarak daha erişilebilir hale getirmek için Tam Ekran Okuyucu’yu kullanabilirsiniz. Görüntü İşleme ile ilgili ek yetenekler arasında; belgelerden anahtar-değer çiftlerini ve tabloları çıkarmak için Form Tanıma, görüntülerdeki yüzleri algılamak ve tanımak için Yüz Tanıma, özel görüntü işleme modelinizi sıfırdan kolayca oluşturmak için Özel Görüntü İşleme ve istenmeyen metinleri veya görüntüleri algılamak için Content Moderator bulunmaktadır.
  • Hayır, uzamsal analiz video çekimindeki insan varlığını algılayıp belirler ve insan bedeni etrafındaki sınırlama kutusunu kullanarak çıkış üretir. Yapay zeka modelleri yüzleri algılamaz veya kişilerin kimliklerini ya da demografik özelliklerini saptamaz.
  • Uzamsal analiz yapay zeka modelleri, bir vücut sınırlama kutusu tarafından bir veya daha çok insanın varlığını tespit eden algoritmaları temel alarak video akışındaki hareketleri algılayıp izler. Yapay zeka, kamera görüş alanındaki bir bölgede algılanan her sınırlama kutusu hareketi için, kişinin vücudunun sınırlama kutusu koordinatları, olay türü (örneğin, bölgeye girişi veya çıkışı veya yön çizgisi geçişi), sahte tanımlayıcılar ve bir algılama güvenilirlik puanı dahil olmak üzere çıktı olay verilerini modeller. Bu olay verileri, kendi Azure IoT Hub örneğinize gönderilir.

Hazırsanız başlayabiliriz. Ücretsiz Azure hesabınızı hemen ayarlayalım.