רשימת התכונות

‫Vision API מאפשר להשתמש בתכונות הבאות:

כל סוגי התכונות
זיהוי טקסט	זיהוי תווים אופטי (OCR) לתמונה; זיהוי טקסט והמרה לטקסט בקידוד מכונה. מזהה ומחלץ טקסט בקידוד UTF-8 בתמונה. ‫Images: אופטימיזציה לאזורים דלילים של טקסט בתוך תמונה גדולה יותר. תגובה: מחזירה רשימה של מילים שזוהו עם טקסט, תיבות תוחמות ו-textAnnotations, וגם את ההיררכיה המבנית של הטקסט שזוהה באמצעות OCR‏ (fullTextAnnotation). היררכיה של מבנה הטקסט שחולץ: ביאור טקסט -> עמוד -> בלוק -> פסקה -> מילה -> סמל. לכל רכיב מבני מ-Page ואילך יכולים להיות מאפיינים משלו, כמו שפות שזוהו, מעברים וכו'. שפות נתמכות: פועל עם שפות נתמכות, ממופות וניסיוניות. ערך ה-enum של התכונה: TEXT_DETECTION.
זיהוי טקסט במסמך (טקסט צפוף / כתב יד)	זיהוי תווים אופטי (OCR) של קובץ (PDF או TIFF) או תמונה עם טקסט צפוף, זיהוי טקסט צפוף והמרה לטקסט בשפת מכונה. קבצים: אופטימיזציה לקובצי מסמכים (PDF/TIFF). תמונות: אופטימיזציה לאזורים צפופים של טקסט בתמונה (תמונות שהן מסמכים) ותמונות שמכילות כתב יד. תגובה: מחזירה את ההיררכיה המבנית של הטקסט שזוהה באמצעות OCR‏ (fullTextAnnotation). היררכיה של מבנה הטקסט שחולץ: ביאור טקסט -> עמוד -> בלוק -> פסקה -> מילה -> סמל. לכל רכיב מבני מ-Page ואילך יכולים להיות מאפיינים משלו, כמו שפות שזוהו, מעברים וכו'. שפות נתמכות: פועל עם שפות נתמכות, ממופות וניסיוניות. ערך ה-enum של התכונה: DOCUMENT_TEXT_DETECTION. מקבלת עדיפות כשמבקשים גם את DOCUMENT_TEXT_DETECTION וגם את TEXT_DETECTION. אם אתם מזהים טקסט במסמכים סרוקים, נסו את Document AI לזיהוי תווים אופטי, ניתוח טפסים מובנים וחילוץ ישויות. אתם יכולים להשתמש ב-Document AI Toolbox כדי להמיר את הפלט מהפורמט של Document AI לפורמט של Cloud Vision.
זיהוי ציוני דרך ^1	מספק את שם ציון הדרך, ציון מהימנות ותיבה תוחמת (bounding box) בתמונה של ציון הדרך. הקואורדינטות של הישות שזוהתה.
זיהוי לוגו ^2	מספק תיאור טקסטואלי של הישות שזוהתה, ציון מהימנות ופוליגון תוחם של הלוגו בקובץ.
זיהוי תוויות ^3	מספק תוויות כלליות לתמונה. לכל תווית מוחזרים תיאור טקסטואלי, ציון מהימנות ודירוג רלוונטיות.
מאפייני תמונה ^4	הפונקציה מחזירה את הצבעים הדומיננטיים בתמונה. כל צבע מיוצג במרחב הצבעים RGBA, יש לו ציון מהימנות, ומוצג בו החלק של הפיקסלים שתופס הצבע [0, 1].
לוקליזציה של אובייקטים ^5	הוספת הערות כלליות של תוויות ותיבות תוחמות לכמה אובייקטים שזוהו בתמונה אחת. לכל אובייקט שזוהה, מוחזרים הרכיבים הבאים: תיאור טקסטואלי, ציון מובהקות וקודקודים מנורמלים [0,1] של הפוליגון התוחם מסביב לאובייקט. רוצים זיהוי אובייקטים בהתאמה אישית? באמצעות AutoML Vision Object Detection, אתם יכולים ליצור מודל למידת מכונה בהתאמה אישית לתרחיש לדוגמה הספציפי שלכם לזיהוי אובייקטים בתמונות.
זיהוי הצעות חיתוך ^6	מספק פוליגון תוחם לתמונה החתוכה, ציון מהימנות וחלק החשיבות של האזור הבולט הזה ביחס לתמונה המקורית לכל בקשה. אפשר לספק עד 16 ערכים של יחס גובה-רוחב (רוחב:גובה) לתמונה אחת.
ישויות ודפים באינטרנט ^7	מספקת סדרה של תכנים מהאינטרנט שקשורים לתמונה. הפונקציה מחזירה את הפרטים הבאים: ישויות באינטרנט: ישויות (תוויות או תיאורים) שהוסקו מתמונות דומות באינטרנט. תמונות תואמות באופן מלא: רשימה של כתובות URL לתמונות תואמות באופן מלא בכל גודל באינטרנט. תמונות עם התאמה חלקית: רשימה של כתובות URL של תמונות שכוללות מאפיינים דומים, כמו גרסה חתוכה של התמונה המקורית. דפים עם תמונות תואמות: רשימה של דפי אינטרנט (שמזוהים לפי כתובת ה-URL של הדף, כותרת הדף וכתובת ה-URL של התמונה התואמת) עם תמונה שעומדת בתנאים שמתוארים למעלה. ‫Visually similar images: רשימה של כתובות URL של תמונות שדומות לתמונה המקורית. תווית של הניחוש הכי טוב: הניחוש הכי טוב לגבי הנושא של התמונה המבוקשת, שהוסק מתמונות דומות באינטרנט.
זיהוי תוכן בוטה (חיפוש בטוח)	מספק דירוגי סבירות לקטגוריות הבאות של תוכן בוטה: adult,‏ spoof,‏ medical,‏ violence ו-racy. דירוגי הסבירות מבוטאים ב-6 ערכים שונים: UNKNOWN,‏ VERY_UNLIKELY,‏ UNLIKELY,‏ POSSIBLE,‏ LIKELY או VERY_LIKELY.
זיהוי פנים	מאתר פנים באמצעות מצולעים תוחמים, ומזהה "נקודות ציון" ספציפיות בפנים כמו עיניים, אוזניים, אף, פה וכו', יחד עם ערכי המהימנות התואמים שלהם. הפונקציה מחזירה דירוגי סבירות למאפיינים כלליים של תמונה (חשיפת חסר, טשטוש, כיסוי ראש). דירוגי הסבירות מבוטאים ב-6 ערכים שונים: UNKNOWN,‏ VERY_UNLIKELY,‏ UNLIKELY,‏ POSSIBLE,‏ LIKELY או VERY_LIKELY. אין תמיכה בזיהוי פנים של אדם ספציפי.

^{1. קרדיט לתמונה: Nikolay Vorobyev ב-Unsplash (הוספנו הערות). ↩}

^{2. קרדיט לתמונה: Robert Scoble (CC BY 2.0, נוספה הערה). ↩}

^{3. קרדיט על התמונה: אלכס נייט ב-Unsplash. ↩}

^{4. קרדיט על התמונה: Jeremy Bishop ב-Unsplash. ↩}

^{5. קרדיט לתמונה: Bogdan Dada ב-Unsplash (נוספו הערות). ↩}

^{6. קרדיט על התמונה: Yasmin Dangor ב-Unsplash (מוצגות התמונה המקורית והתמונה החתוכה). ↩}

^{7. קרדיט לתמונה: Quinten de Graaf ב-Unsplash. ↩}