Vorhersageergebnisse von Modellen zur Bildobjekterkennung interpretieren

Nach der Anforderung einer Vorhersage gibt Vertex AI Ergebnisse basierend auf dem Ziel Ihres Modells zurück. Antworten der AutoML-Bildobjekterkennungsvorhersage geben alle Objekte zurück, die in einem Bild gefunden wurden. Jedes gefundene Objekt hat eine Annotation (Label und normalisierter Begrenzungsrahmen) mit einem entsprechenden Konfidenzwert. Der Begrenzungsrahmen wird so geschrieben:

"bboxes": [ [xMin, xMax, yMin, yMax], ...]

Dabei sind xMin, xMax der minimale und maximale x-Wert und yMin, yMax der minimale und maximale y-Wert.

Beispielausgabe für eine Batchvorhersage

Antworten der Batch-AutoML-Bildobjekterkennungsvorhersage werden als JSON Lines-Dateien in Cloud Storage-Buckets gespeichert. Jede Zeile der JSON Lines-Datei enthält alle Objekte einer einzelnen Bilddatei. Jedes gefundene Objekt hat eine Annotation (Label und normalisierter Begrenzungsrahmen) mit einem entsprechenden Konfidenzwert.

Note: Zero coordinate values omitted. When the API detects a coordinate ("x" or "y") value of 0, that coordinate is omitted in the JSON response. Thus, a response with a bounding poly around the entire image would be
[{},{"x": 1,"y": 1}]. For more information, see Method: projects.locations.models.predict.

Hinweis: Das folgende Beispiel für JSON-Zeilen enthält Zeilenumbrüche zur besseren Lesbarkeit. In Ihren JSON-Zeilendateien werden Zeilenumbrüche nach jedem JSON-Objekt einbezogen.

Wichtig: Begrenzungsrahmen werden so angegeben:

"bboxes": [ [xMin, xMax, yMin, yMax], ...]

Dabei sind xMin und xMax die minimalen und maximalen x-Werte und yMin und yMax die minimalen und maximalen y-Werte.

{
  "instance": {"content": "gs://bucket/image.jpg", "mimeType": "image/jpeg"},
  "prediction": {
    "ids": [1, 2],
    "displayNames": ["cat", "dog"],
    "bboxes":  [
      [0.1, 0.2, 0.3, 0.4],
      [0.2, 0.3, 0.4, 0.5]
    ],
    "confidences": [0.7, 0.5]
  }
}