Dopo aver creato (addestrato) un modello, puoi richiedere una previsione per un'immagine utilizzando il metodo predict. Il metodo predict
applica etichette alla tua immagine in base all'oggetto principale dell'immagine prevista dal modello.
Previsione online (individuale)
Questa sezione descrive l'invio di un singolo file per l'annotazione. Questa richiesta restituisce immediatamente una risposta.
Puoi anche inviare un gruppo di file per l'annotazione. L'annotazione dei file batch è un'operazione a lunga esecuzione e memorizza i risultati in un bucket Cloud Storage a tua scelta.
UI web
Apri l'elemento Vision Dashboard e fai clic sull'icona a forma di lampadina nella barra di navigazione a sinistra per visualizzare i modelli disponibili.
Per visualizzare i modelli di un altro progetto, seleziona il progetto nell'elenco a discesa in alto a destra nella barra del titolo.
Fai clic sulla riga del modello che vuoi utilizzare per etichettare le immagini.
Fai clic sulla scheda Testa e utilizza subito sotto la barra del titolo.
Fai clic su Carica immagini per caricare le immagini da etichettare.
REST &CMD LINE
Per testare la previsione, devi prima eseguire il deployment del modello ospitato su cloud.
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- project-id: ID progetto GCP.
- model-id: l'ID del modello, dalla risposta
durante la creazione del modello. L'ID è l'ultimo elemento del nome del modello.
Ad esempio:
- nome modello:
projects/project-id/locations/location-id/models/IOD4412217016962778756
- ID modello:
IOD4412217016962778756
- nome modello:
- base64-encoded-image: la rappresentazione base64 (stringa ASCII) dei dati immagine binari. Questa stringa deve essere simile alla
seguente stringa:
/9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==
. Per ulteriori informazioni, consulta l'argomento Codifica base64.
Considerazioni specifiche per campo:
scoreThreshold
: un valore compreso tra 0 e 1. Verranno visualizzati solo i valori con soglie di punteggio almeno. Il valore predefinito è 0,5.
Metodo HTTP e URL:
POST https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id:predict
Corpo JSON richiesta:
{ "payload": { "image": { "imageBytes": "base64-encoded-image" } }, "params": { "scoreThreshold": "0.5" } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id:predict"
PowerShell
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id:predict" | Select-Object -Expand Content
L'output viene restituito in formato JSON. Le previsioni del modello AutoML Vision sono contenute nel campo payload
:
displayName
è l'etichetta dell'oggetto prevista dal modello AutoML Vision.score
rappresenta un livello di confidenza che l'etichetta specificata si applica all'immagine. L'intervallo va da0
(senza confidenza) a1
(alta affidabilità).
{ "payload": [ { "annotationSpecId": "7922029656637702144", "classification": { "score": 0.9960259 }, "displayName": "roses" } ] }
Go
Prima di provare questo esempio, segui le istruzioni di configurazione per questa lingua nella pagina Librerie client.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione per questa lingua nella pagina Librerie client.
Node.js
Prima di provare questo esempio, segui le istruzioni di configurazione per questa lingua nella pagina Librerie client.
Python
Prima di provare questo esempio, segui le istruzioni di configurazione per questa lingua nella pagina Librerie client.
Lingue aggiuntive
C#: segui le istruzioni di configurazione di C# nella pagina delle librerie client e consulta la documentazione di riferimento di AutoML ML Vision per .NET.
PHP: segui le istruzioni per la configurazione di PHP nella pagina delle librerie client e consulta la documentazione di riferimento di AutoMLML Vision per PHP.
Ruby: segui le istruzioni di configurazione di Ruby nella pagina delle librerie client e consulta la documentazione di riferimento di AutoML ML Vision per Ruby.