Nachdem Sie ein Modell erstellt (trainiert) haben, können Sie mit der Methode predict eine Vorhersage für ein Bild anfragen. Die Methode predict
wendet auf Ihr Bild Labels an, die auf dem Hauptobjekt des Bildes basieren, für das das Modell Vorhersagen trifft.
Onlinevorhersage (Einzelvorhersage)
In diesem Abschnitt wird das Senden einer einzelnen Datei für die Annotation beschrieben. Bei dieser Anfrage wird sofort eine Antwort zurückgegeben.
Sie können auch einen Batch von Dateien senden, die mit Anmerkungen versehen werden sollen. Das Versehen eines Batches von Dateien mit Anmerkungen erfordert eine lange Ausführungszeit, bei dem die Ergebnisse in einem Cloud Storage-Bucket Ihrer Wahl gespeichert werden.
Web-UI
Öffnen Sie den Vision Dashboardund klicken Sie in der linken Navigationsleiste auf das Glühbirnensymbol, um die verfügbaren Modelle aufzurufen.
Wenn Sie die Modelle für ein anderes Projekt ansehen möchten, wählen Sie das Projekt in der Drop-down-Liste rechts oben in der Titelleiste aus.
Klicken Sie auf die Zeile für das Modell, das Sie verwenden möchten, um die Bilder mit Labels zu versehen.
Klicken Sie auf den Tab Test & Use (Test und Nutzung) direkt unter der Titelleiste.
Klicken Sie auf Bilder hochladen, um die Bilder hochzuladen, die Sie mit Labels versehen möchten.
REST
Damit Sie die Vorhersage testen können, müssen Sie zuerst Ihr in der Cloud gehostetes Modell bereitstellen.
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- project-id: die ID Ihres GCP-Projekts.
- model-id: die ID Ihres Modells aus der Antwort beim Erstellen des Modells. Sie ist das letzte Element des Modellnamens.
Beispiel:
- Modellname:
projects/project-id/locations/location-id/models/IOD4412217016962778756
- model id:
IOD4412217016962778756
- Modellname:
- base64-encoded-image: die Base64-Darstellung (ASCII-String) der Binärbilddaten. Dieser String sollte in etwa so aussehen:
/9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==
. Weitere Informationen erhalten Sie unter Base64-Codierung.
Feldspezifische Hinweise:
scoreThreshold
: ein Wert zwischen 0 und 1. Es werden nur Werte mit Konfidenzwert-Schwellenwerten von mindestens diesem Wert angezeigt. Der Standardwert ist 0,5.
HTTP-Methode und URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:predict
JSON-Text der Anfrage:
{ "payload": { "image": { "imageBytes": "BASE64_ENCODED_IMAGE" } }, "params": { "scoreThreshold": "0.5" } }
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json
und führen Sie den folgenden Befehl aus:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-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
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json
und führen Sie den folgenden Befehl aus:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
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
Die Ausgabe wird im JSON-Format zurückgegeben. Die Vorhersagen aus Ihrem AutoML Vision-Modell sind im Feld payload
enthalten:
displayName
ist das vom AutoML Vision-Modell vorhergesagte Label des Objekts.score
steht für das Konfidenzniveau, das das angegebene Label auf das Bild anwendet. Das Konfidenzniveau reicht von0
(keine Konfidenz) bis1
(hohe Konfidenz).
{ "payload": [ { "annotationSpecId": "7922029656637702144", "classification": { "score": 0.9960259 }, "displayName": "roses" } ] }
Go
Bevor Sie dieses Beispiel ausprobieren, folgen Sie der Einrichtungsanleitung für diese Sprache auf der Seite Clientbibliotheken.
Java
Bevor Sie dieses Beispiel ausprobieren, folgen Sie der Einrichtungsanleitung für diese Sprache auf der Seite Clientbibliotheken.
Node.js
Bevor Sie dieses Beispiel ausprobieren, folgen Sie der Einrichtungsanleitung für diese Sprache auf der Seite Clientbibliotheken.
Python
Bevor Sie dieses Beispiel ausprobieren, folgen Sie der Einrichtungsanleitung für diese Sprache auf der Seite Clientbibliotheken.
Weitere Sprachen
C#: Folgen Sie der Anleitung zur Einrichtung von C# auf der Seite der Clientbibliotheken und rufen Sie dann die AutoML Vision-Referenzdokumentation für .NET auf.
PHP Folgen Sie der Anleitung zur Einrichtung von PHP auf der Seite der Clientbibliotheken und rufen Sie dann die AutoML Vision-Referenzdokumentation für PHP auf.
Ruby: Folgen Sie der Anleitung zur Einrichtung von Ruby auf der Seite der Clientbibliotheken und rufen Sie dann die AutoML Vision-Referenzdokumentation für Ruby auf.