Reconnaissance de produits (version 4.0 en préversion)
Les API Reconnaissance de produits vous permettent d’analyser des photos d’étagères dans un magasin de vente au détail. Vous pouvez détecter la présence de produits et obtenir leurs coordonnées de cadre englobant. Utilisez-la en combinaison avec la personnalisation du modèle pour entraîner un modèle afin d’identifier vos produits spécifiques. Vous pouvez également comparer les résultats de la reconnaissance de produits au document de planogramme de votre magasin.
Essayez les fonctionnalités de reconnaissance de produits rapidement et facilement dans votre navigateur à l’aide de Vision Studio.
Notes
Les marques affichées dans les images ne sont pas affiliées à Microsoft et n’indiquent aucune forme d’approbation de Microsoft ou de produits Microsoft par les propriétaires de la marque, ni d’approbation des propriétaires de la marque ou de leurs produits par Microsoft.
Important
Vous pouvez entraîner un modèle personnalisé pour la reconnaissance de produit à l’aide du service Custom Vision ou des API de reconnaissance du produit Analyse d’image 4.0. Le tableau suivant compare les deux services.
| Zones (Areas) | Produits en rayon – Custom Vision | Reconnaissance du produit – API Analyse d’images/Personnalisation | ||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fonctionnalités | Compréhension des produits personnalisés | Création d’un panorama et correction d’image, compréhension des produits préentraînés, compréhension des produits personnalisés, correspondance de planogrammes |
||||||||||||||||||||||||||||
| Modèle de base | CNN | Modèle transformateur Florence | ||||||||||||||||||||||||||||
| L’étiquetage | Customvision.ai | Studio AML | ||||||||||||||||||||||||||||
| Portail web | Customvision.ai | Vision Studio | ||||||||||||||||||||||||||||
| Bibliothèques | REST, SDK | REST, Exemple Python | ||||||||||||||||||||||||||||
| Données d’apprentissage minimales nécessaires | 15 images par catégorie | 2 à 5 images par catégorie | ||||||||||||||||||||||||||||
| Stockage des données d’apprentissage | Chargé vers le service | Compte de stockage d’objets blob du client | ||||||||||||||||||||||||||||
| Hébergement de modèles | Cloud et périphérie | Hébergement cloud uniquement, hébergement de conteneur de périphérie à venir | ||||||||||||||||||||||||||||
| Qualité de l’IA |
|
|
||||||||||||||||||||||||||||
| Tarification | Tarifs Custom Vision | Tarification d’Analyse d’image |
Fonctionnalités de Reconnaissance de produits
Composition de l’image d’étagère
Les API d’assemblage et de correction vous permettent de modifier des images pour améliorer la précision des résultats de compréhension des produits. Vous pouvez utiliser ces API pour :
- Assembler plusieurs images d’une étagère pour créer une seule image.
- Rectifier une image pour supprimer la distorsion de perspective.
Reconnaissance des produits d’étagère (modèle pré-entraîné)
L’API Compréhension des produits vous permet d’analyser une image d’étagère à l’aide du modèle préentraîné prêt à l’emploi. Cette opération détecte les produits et les vides dans l’image de l’étagère et retourne les coordonnées englobantes de chaque produit et vide, ainsi qu’un score de confiance pour chaque élément.
La réponse JSON suivante illustre ce que l’API Compréhension des produits retourne.
{
"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"
}
]
}
]
}
Reconnaissance des produits d’étagère (modèle personnalisé)
L’API Compréhension des produits peut également être utilisée avec un modèle entraîné personnalisé pour détecter vos produits spécifiques. Cette opération retourne les coordonnées de zone englobante de chaque produit et vide, ainsi que l’étiquette de chaque produit.
La réponse JSON suivante illustre ce que l’API Compréhension des produits retourne lorsqu’elle est utilisée avec un modèle personnalisé.
"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"
}
]
}
]
}
Conformité du planogramme d’étagère
L’API Correspondance de planogramme vous permet de comparer les résultats de l’API Compréhension des produits à un document de planogramme. Cette opération fait correspondre chaque produit et chaque vide détecté à sa position correspondante dans le document de planogramme.
Elle retourne une réponse JSON qui prend en compte chaque position dans le document de planogramme, qu’elle soit occupée par un produit ou un vide.
{
"matchedResultsPerPosition": [
{
"positionId": "01",
"detectedObject": {
"id": "01",
"boundingBox": {
"x": 12,
"y": 1234,
"w": 123,
"h": 12345
},
"classifications": [
{
"confidence": 0.9,
"label": "Product1"
}
]
}
}
]
}
Limites
- La Reconnaissance de produits n’est disponible que dans les régions Azure US Est et USA Ouest 2.
- Les images de l’étagère peuvent avoir une taille maximale de 20 Mo. La taille recommandée est de 4 Mo.
- Nous vous recommandons d’effectuer l’assemblage et la correction des images de l’étagère avant de les charger à des fins d’analyse.
- L’utilisation d’un modèle personnalisé est facultative dans Reconnaissance de produits, mais elle est requise pour la fonction Correspondance de planogramme.
Étapes suivantes
Commencez avec Reconnaissance de produits en essayant les API d’assemblage et de correction. Effectuez ensuite une analyse de base avec l’API Compréhension des produits.