Reconhecimento do produto (versão 4.0 preview)
Importante
Este recurso foi preterido. Em 10 de janeiro de 2025, a Classificação de Imagem Personalizada do Azure AI 4.0, a Deteção de Objetos Personalizados e a API de visualização de Reconhecimento de Produto serão desativadas. Após essa data, as chamadas de API para esses serviços falharão.
Para manter um bom funcionamento dos seus modelos, faça a transição para a Visão Personalizada da IA do Azure, que agora está disponível ao público em geral. O Custom Vision oferece funcionalidade semelhante a esses recursos de desativação.
As APIs de reconhecimento de produtos permitem analisar fotos de prateleiras em uma loja de varejo. Você pode detetar a presença de produtos e obter suas coordenadas de caixa delimitadora. Use-o em combinação com a personalização do modelo para treinar um modelo para identificar seus produtos específicos. Também pode comparar os resultados do Reconhecimento de Produtos com o documento de planograma da sua loja.
Experimente os recursos do Reconhecimento de Produtos de forma rápida e fácil em seu navegador usando o Vision Studio.
Nota
As marcas mostradas nas imagens não são afiliadas à Microsoft e não indicam qualquer forma de endosso dos produtos da Microsoft ou da Microsoft pelos proprietários da marca, ou um endosso dos proprietários da marca ou seus produtos pela Microsoft.
Importante
Você pode treinar um modelo personalizado para reconhecimento de produtos usando o serviço Visão Personalizada ou as APIs de Reconhecimento de Produto da Análise de Imagem 4.0. A tabela a seguir compara os dois serviços.
| Áreas | Produtos nas prateleiras – Visão Personalizada | Reconhecimento de Produto – API de Análise de Imagem/Personalização | ||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Funcionalidades | Compreensão personalizada do produto | Costura de imagem e retificação, Compreensão pré-treinada do produto, Compreensão personalizada do produto, Correspondência de planograma |
||||||||||||||||||||||||||||
| Modelo de base | CNN | Modelo de transformador de Florença | ||||||||||||||||||||||||||||
| Etiquetagem | Customvision.ai | Estúdio AML | ||||||||||||||||||||||||||||
| Portal Web | Customvision.ai | Estúdio Visão | ||||||||||||||||||||||||||||
| Bibliotecas | REST, SDK | REST, exemplo de Python | ||||||||||||||||||||||||||||
| Dados mínimos de formação necessários | 15 imagens por categoria | 2-5 imagens por categoria | ||||||||||||||||||||||||||||
| Armazenamento dos dados de preparação | Carregado para o serviço | Conta de armazenamento de blob do cliente | ||||||||||||||||||||||||||||
| Alojamento do modelo | Nuvem e borda | Somente hospedagem na nuvem, hospedagem de contêiner de borda por vir | ||||||||||||||||||||||||||||
| Qualidade da IA |
|
|
||||||||||||||||||||||||||||
| Preços | Preços da Visão Personalizada | Preços da Análise de Imagem |
Recursos de reconhecimento de produtos
Composição da imagem de prateleira
As APIs de costura e retificação permitem modificar imagens para melhorar a precisão dos resultados de Compreensão do produto. Você pode usar essas APIs para:
- Costurar várias imagens de uma prateleira para criar uma única imagem.
- Retifique uma imagem para remover a distorção da perspetiva.
Reconhecimento de produtos de prateleira (modelo pré-treinado)
A API de Compreensão do Produto permite analisar uma imagem de prateleira usando o modelo pré-treinado pronto para uso. Esta operação deteta produtos e lacunas na imagem da prateleira e retorna as coordenadas da caixa delimitadora de cada produto e lacuna, juntamente com uma pontuação de confiança para cada um.
A resposta JSON a seguir ilustra o que a API de Compreensão do Produto retorna.
{
"imageMetadata": {
"width": 2000,
"height": 1500
},
"products": [
{
"id": "string",
"boundingBox": {
"x": 1234,
"y": 1234,
"w": 12,
"h": 12
},
"classifications": [
{
"confidence": 0.9,
"label": "string"
}
]
}
],
"gaps": [
{
"id": "string",
"boundingBox": {
"x": 1234,
"y": 1234,
"w": 123,
"h": 123
},
"classifications": [
{
"confidence": 0.8,
"label": "string"
}
]
}
]
}
Reconhecimento de produtos de prateleira (modelo personalizado)
A API de Compreensão do Produto também pode ser usada com um modelo treinado personalizado para detetar seus produtos específicos. Esta operação retorna as coordenadas da caixa delimitadora de cada produto e lacuna, juntamente com o rótulo de cada produto.
A resposta JSON a seguir ilustra o que a API de Compreensão do Produto retorna quando usada com um modelo personalizado.
"detectedProducts": {
"imageMetadata": {
"width": 21,
"height": 25
},
"products": [
{
"id": "01",
"boundingBox": {
"x": 123,
"y": 234,
"w": 34,
"h": 45
},
"classifications": [
{
"confidence": 0.8,
"label": "Product1"
}
]
}
],
"gaps": [
{
"id": "02",
"boundingBox": {
"x": 12,
"y": 123,
"w": 1234,
"h": 123
},
"classifications": [
{
"confidence": 0.9,
"label": "Product1"
}
]
}
]
}
Conformidade com planogramas de prateleira
A API de correspondência de planograma permite comparar os resultados da API de Compreensão do Produto com um documento de planograma. Esta operação faz corresponder cada produto detetado e lacuna à sua posição correspondente no documento de planograma.
Ele retorna uma resposta JSON que contabiliza cada posição no documento de planograma, seja ela ocupada por um produto ou lacuna.
{
"matchedResultsPerPosition": [
{
"positionId": "01",
"detectedObject": {
"id": "01",
"boundingBox": {
"x": 12,
"y": 1234,
"w": 123,
"h": 12345
},
"classifications": [
{
"confidence": 0.9,
"label": "Product1"
}
]
}
}
]
}
Limitações
- O Reconhecimento de Produto só está disponível em determinadas regiões do Azure.
- As imagens de prateleira podem ter até 20 MB de tamanho. O tamanho recomendado é de 4 MB.
- Recomendamos que você faça costura e retificação nas imagens de prateleira antes de enviá-las para análise.
- O uso de um modelo personalizado é opcional no Reconhecimento de Produto, mas é necessário para a função de correspondência de planograma.
Próximos passos
Comece a usar o Reconhecimento de Produto experimentando as APIs de costura e retificação. Em seguida, faça uma análise básica com a API de Compreensão do Produto.