Setelah membuat (melatih) model, Anda dapat meminta prediction untuk
gambar menggunakan predict
prediksi. Metode predict
menerapkan label ke gambar Anda berdasarkan objek utama
gambar yang diprediksi model Anda.
Prediksi online (individu)
Bagian ini menjelaskan pengiriman file individu untuk anotasi. Permintaan ini akan segera menampilkan respons.
Anda juga dapat mengirim batch file untuk anotasi. Anotasi file batch adalah operasi yang berjalan lama, dan menyimpan hasil dalam bucket Cloud Storage pilihan Anda.
UI web
Buka Vision Dashboard dan klik ikon bola lampu di menu navigasi sebelah kiri untuk menampilkan model yang tersedia.
Untuk melihat model project lain, pilih project dari menu drop-down di kanan atas panel judul.
Klik baris model yang ingin Anda gunakan untuk memberi label pada gambar.
Klik tab Pengujian & Penggunaan tepat di bawah batang judul.
Klik Upload Gambar untuk mengupload gambar yang ingin Anda beri label.
REST
Untuk menguji prediksi, Anda harus men-deploy model yang dihosting Cloud terlebih dahulu.
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: Project ID GCP Anda.
- model-id: ID model Anda, dari
respons saat membuat model. ID adalah elemen terakhir dari nama model Anda.
Misalnya:
- nama model:
projects/project-id/locations/location-id/models/IOD4412217016962778756
- id model:
IOD4412217016962778756
- nama model:
- base64-encoded-image: representasi base64
(string ASCII) dari data gambar biner Anda. String ini akan terlihat seperti
string berikut:
/9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==
. Kunjungi topik mengenkode base64 untuk informasi selengkapnya.
Pertimbangan khusus kolom:
scoreThreshold
- Nilai antara 0 hingga 1. Hanya dengan skor nilai minimum setidaknya nilai ini yang akan ditampilkan. Nilai defaultnya adalah 0.5.
Metode HTTP dan URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:predict
Isi JSON permintaan:
{ "payload": { "image": { "imageBytes": "BASE64_ENCODED_IMAGE" } }, "params": { "scoreThreshold": "0.5" } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
, dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Output ditampilkan dalam bentuk formulir JSON. Prediksi dari model AutoML
Vision Anda terdapat di kolom payload
:
displayName
adalah label objek yang diprediksi oleh model AutoML Vision.score
menunjukkan tingkat keyakinan yang diterapkan pada label yang ditentukan pada gambar. Rentangnya mulai dari0
(tanpa keyakinan) hingga1
(keyakinan tinggi).
{ "payload": [ { "annotationSpecId": "7922029656637702144", "classification": { "score": 0.9960259 }, "displayName": "roses" } ] }
Go
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Python
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Bahasa tambahan
C# : Ikuti Petunjuk penyiapan C# di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk .NET.
PHP : Ikuti Petunjuk penyiapan PHP di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk PHP.
Ruby : Ikuti Petunjuk penyiapan Ruby di halaman library klien, lalu kunjungi Dokumentasi referensi AutoML Vision untuk Ruby.