Ajout de libellés à des images

Grâce aux API d'ajout de libellés à des images de Cloud Vision, vous pouvez reconnaître des entités dans une image sans avoir à fournir de métadonnées contextuelles supplémentaires.

L'ajout de libellés à des images vous permet de mieux comprendre le contenu des images. Lorsque vous utilisez l'API, vous obtenez une liste des entités reconnues : personnes, objets, lieux, activités, etc. Chaque libellé trouvé est accompagné d'un score qui indique la confiance du modèle de ML dans sa pertinence. Grâce à ces informations, vous pouvez effectuer des tâches telles que la génération automatique de métadonnées et la modération de contenu.

Prêt à vous lancer ? Choisissez votre plate-forme :

iOS+ Android

Capacités clés

Ajout de libellés à des images de haute précision

L'API d'ajout de libellés à des images de Firebase ML est basée sur la fonctionnalité de compréhension des images de pointe de Google Cloud, qui peut classer des images avec plus de 10 000 libellés dans de nombreuses catégories. (voir ci-dessous).

Essayez-la vous-même avec la démo de l'API Cloud Vision.

Compatibilité avec les entités Knowledge Graph

En plus de la description textuelle de chaque libellé renvoyé par Firebase ML, l'API renvoie également l'ID d'entité Google Knowledge Graph du libellé. Cet ID est une chaîne qui identifie de manière unique l'entité représentée par le libellé. Il s'agit du même ID que celui utilisé par l' API Knowledge Graph Search. Vous pouvez utiliser cette chaîne pour identifier une entité dans différentes langues et indépendamment de la mise en forme de la description textuelle.

Utilisation limitée sans frais

Les 1 000 premières utilisations de cette fonctionnalité sont sans frais chaque mois. Consultez la page Tarifs.

Exemples de libellés

L'API d'ajout de libellés à des images est compatible avec plus de 10 000 libellés, y compris les exemples suivants et bien d'autres :

Catégorie	Exemples de libellés	Catégorie	Exemples de libellés
Arts et divertissement	`Sculpture` `Musical Instrument` `Dance`	Objets astronomiques	`Comet` `Galaxy` `Star`
Entreprise et industrie	`Restaurant` `Factory` `Airline`	Couleurs	`Red` `Green` `Blue`
Conception	`Floral` `Pattern` `Wood Stain`	Boire	`Coffee` `Tea` `Milk`
Événements	`Meeting` `Picnic` `Vacation`	Personnages fictifs	`Santa Claus` `Superhero` `Mythical creature`
Nourriture	`Casserole` `Fruit` `Potato chip`	Maison et jardin	`Laundry basket` `Dishwasher` `Fountain`
Activités	`Wedding` `Dancing` `Motorsport`	Matériaux	`Ceramic` `Textile` `Fiber`
Médias	`Newsprint` `Document` `Sign`	Moyens de transport	`Aircraft` `Motorcycle` `Subway`
Professions	`Actor` `Florist` `Police`	Organismes	`Plant` `Animal` `Fungus`
Organisations	`Government` `Club` `College`	Lieux	`Airport` `Mountain` `Tent`
Technologie	`Robot` `Computer` `Solar panel`	Thèmes	`Bicycle` `Pipe` `Doll`

Exemples de résultats

Photo: Clément Bucco-Lechat / Wikimedia Commons / CC BY-SA 3.0

Libellé	ID d'entité Knowledge Graph	Confiance
sport venue	/m/0bmgjqz	0.9860726
player	/m/02vzx9	0.9797604
stadium	/m/019cfy	0.9635762
soccer specific stadium	/m/0404y4	0.95806926
football player	/m/0gl2ny2	0.9510419
sports	/m/06ntj	0.9253524
soccer player	/m/0pcq81q	0.9033665
arena	/m/018lrm	0.8897188