功能清單

Vision API 支援下列功能:

所有地圖項目類型

文字偵測

偵測到文字的路標。
  • 圖片的光學字元辨識 (OCR);文字辨識及轉換為機器編碼文字。辨識及擷取圖片中的 UTF-8 文字。
  • 圖片:針對較大圖片中稀疏的文字區域進行最佳化。
  • 回應:傳回以文字、定界框和 textAnnotations 識別的字詞清單,以及 OCR 偵測到的文字 (fullTextAnnotation) 結構階層。
    • 擷取文字結構的階層:
      • TextAnnotation -> Page -> Block -> Paragraph -> Word -> Symbol。
      • 從頁面開始的每個結構元件可能會有自己的屬性,例如偵測到的語言、分行等。
  • 支援的語言:適用於目前支援、對應和實驗性語言。
  • 功能列舉值:TEXT_DETECTION。

文件文字偵測 (密集文字/手寫)

含有定界框註解的密集文字文件。 手寫文字,附有光學字元辨識註解。
  • 檔案 (PDF/TIFF) 或密集文字圖片的光學字元辨識 (OCR);密集文字辨識及轉換為機器編碼文字。
  • 檔案:最適合文件檔案 (PDF/TIFF)。
  • 圖片:針對圖片中密集的文字區域 (文件圖片) 和含有手寫內容的圖片進行最佳化。
  • 回應:傳回 OCR 偵測到的文字 (fullTextAnnotation) 結構階層。
    • 擷取文字結構的階層:
      • TextAnnotation -> Page -> Block -> Paragraph -> Word -> Symbol。
      • 從頁面開始的每個結構元件可能會有自己的屬性,例如偵測到的語言、分行等。
  • 支援的語言:適用於目前支援、對應和實驗性語言。
  • 功能列舉值:DOCUMENT_TEXT_DETECTION。
    • 如果同時要求 DOCUMENT_TEXT_DETECTION 和 TEXT_DETECTION,系統會優先採用這個值。

地標偵測

聖巴西爾大教堂,附有地標偵測註解。

圖片來源:Nikolay Vorobyev 發表於 Unsplash 網站上 (已加上註解)。

  • 提供地標名稱、可信度分數,以及圖片中地標的定界框。
  • 提供偵測到的實體座標。

標誌偵測

Google 標誌,含有標誌偵測定界多邊形註解。

圖片來源:Robert Scoble (CC BY 2.0,已新增註解)。

  • 提供已識別實體的文字說明、信賴分數,以及檔案中標誌的定界多邊形。

標籤偵測

上海街道,含有標籤偵測註解。

圖片來源:Unsplash 上的 Alex Knight。

  • 提供圖片的一般標籤。
  • 針對每個標籤傳回文字說明、可信度分數和主題性評分。

圖片屬性

峇里島風景照,附有主要色調調色盤色票。

圖片來源:Jeremy Bishop,Unsplash。

  • 傳回圖片中的主要顏色。
  • 每種顏色都會以 RGBA 色域表示,並具有可信度分數,以及顯示顏色所占像素的比例 [0, 1]。

物件定位

腳踏車,附有物件定位定界框註解。

圖片出處: Bogdan Dada 於 Unsplash (已新增註解)。

  • 針對單一圖片中辨識出的多個物件,提供一般標籤和定界框註解。
  • 系統會針對偵測到的每個物件傳回下列元素:文字說明、可信度分數,以及物件周圍定界多邊形的正規化頂點 [0,1]。

裁剪提示偵測

相片和建議的裁剪提示區域。

圖片來源:Yasmin Dangor,發布於 Unsplash (顯示原始和裁剪後的圖片)。

  • 針對每項要求,提供裁剪圖片的定界多邊形、可信度分數,以及這個顯著區域相對於原始圖片的重要性分數。
  • 單一圖片最多可提供 16 個圖片比例值 (寬度:高度)。

網路實體和頁面

網頁偵測結果,包含相符的實體和網頁。

圖片來源:Quinten de Graaf 發表於 Unsplash 網站上。

  • 提供與圖片相關的一系列網路內容。
  • 傳回下列資訊:
    • 網路實體:從網路上類似圖片推論出的實體 (標籤/說明)。
    • 完全相符的圖片:網際網路上任何大小的完全相符圖片網址清單。
    • 部分相符圖片:與原始圖片有相同關鍵點特徵的圖片網址清單,例如原始圖片的裁剪版本。
    • 含有相符圖片的網頁:列出含有符合上述條件圖片的網頁 (依網頁網址、網頁標題、相符圖片網址識別)。
    • 外觀相似的圖片:與原始圖片具有某些相同特徵的圖片網址清單。
    • 最佳猜測標籤:根據網際網路上的類似圖片,推測要求圖片主題的最佳猜測。

煽情露骨內容偵測 (安全搜尋)

  • 提供下列煽情露骨內容類別的可能性評分:adult、spoof、medical、violence 和 racy。
  • 可能性評分會以 6 種不同的值表示:UNKNOWN、VERY_UNLIKELY、UNLIKELY、POSSIBLE、LIKELY 或 VERY_LIKELY。

臉部偵測

偵測到的臉部,包含定界多邊形和臉部特徵點。

圖片來源: 原始圖片由 Nano Banana 2 模型使用 Gemini 生成。使用 Gemini 從 Vision API 輸出內容新增的註解。

  • 使用定界多邊形找出臉部位置,並辨識眼睛、耳朵、鼻子或嘴巴等特定臉部「地標」,以及對應的信心值。
  • 傳回一般圖片屬性 (曝光不足、模糊、有頭飾) 的可能性評分。
  • 可能性評分會以 6 種不同的值表示:UNKNOWN、VERY_UNLIKELY、UNLIKELY、POSSIBLE、LIKELY 或 VERY_LIKELY。
  • 不支援特定個人的臉部辨識。