呼叫預測 API

在定型模型之後，您可以將影像提交至預測 API 端點，以程式設計方式測試模型。 在本指南中，您將瞭解如何呼叫預測 API 來為影像評分。 您將了解可設定此 API 行為的不同方式來符合您的需求。

注意

本文件將示範如何使用適用於 C# 的 .NET 用戶端程式庫，將影像提交至預測 API。 如需詳細資訊和範例，請參閱預測 API 參考。

設定

發佈您已定型的反覆項目

從 自訂視覺 網站中，選取您的項目，然後選取 [效能] 索引標籤。

若要將影像提交至預測 API，您必須先發佈您的反覆專案以進行預測，方法是選取 [發佈 ] 並指定已發佈反復項目的名稱來完成。 這可讓您的模型可供 自訂視覺 Azure 資源的預測 API 存取。

成功發佈模型之後，[已發佈] 卷標會出現在左側提要字段中的反覆專案旁邊，且其名稱會出現在反覆專案的描述中。

取得 URL 和預測金鑰

發佈模型之後，您可以選取 [預測 URL] 來擷取所需的資訊。 對話框隨即開啟，其中包含使用預測 API 的資訊，包括 預測 URL 和 預測密鑰。

提交資料至服務

本指南假設您已使用自訂視覺預測金鑰和端點 URL 來建構名為 predictionClient 的 CustomVisionPredictionClient 物件。 如需如何設定這項功能的指示，請遵循其中一個快速入門。

在本指南中，您會使用本機映射，因此請下載您想要提交至已定型模型的映像。 下列程式碼會提示使用者指定本機路徑，並在該路徑取得檔案的 bytestream。

Console.Write("Enter image file path: ");
string imageFilePath = Console.ReadLine();
byte[] byteData = GetImageAsByteArray(imageFilePath);

請納入下列協助程式方法：

private static byte[] GetImageAsByteArray(string imageFilePath)
{
    FileStream fileStream = new FileStream(imageFilePath, FileMode.Open, FileAccess.Read);
    BinaryReader binaryReader = new BinaryReader(fileStream);
    return binaryReader.ReadBytes((int)fileStream.Length);
}

ClassifyImageAsync 方法會採用專案識別碼和本機儲存的影像，並針對指定的模型為影像評分。

// Make a prediction against the new project
Console.WriteLine("Making a prediction:");
var result = predictionApi.ClassifyImageAsync(project.Id, publishedModelName, byteData);

決定如何處理資料

您可以選擇性地設定服務如何執行評分作業，方法是選擇替代方法。 如需詳細資訊，請參閱 CustomVisionPredictionClient 方法。

為了簡單起見，您可以使用上述方法的非異步版本，但可能會導致程式鎖定相當長的時間。

方法 -WithNoStore 會要求服務在預測完成之後不會保留預測影像。 一般來說，服務會保留這些影像，因此您可以選擇將這些影像新增為定型資料，以供未來的模型反覆項目使用。

方法會 -WithHttpMessages 傳回 API 呼叫的原始 HTTP 回應。

取得來自服務的結果

服務會以 ImagePrediction 物件的形式傳回結果。 屬性Predictions包含 PredictionModel 物件的清單，每個物件都代表單一對象預測。 其包含標籤的名稱，以及在影像中偵測到物件的週框方塊座標。 例如，您的應用程式可以剖析此資料，以在螢幕上顯示具有標籤物件欄位的影像。

後續步驟

在本指南中，您已了解如何將影像提交至自訂影像分類器/偵測器，並使用 C# SDK 以程式設計方式接收回應。 接下來，了解如何使用 C# 完成端對端案例，或開始使用不同的語言 SDK。

• 快速入門：自訂視覺 SDK