वर्गीकरण

रोबोफ्लो पर होस्ट किए गए वर्गीकरण मॉडल्स पर इनफेरेंस चलाएँ।

पायथन

स्थानीय और होस्टेड छवियों पर अनुमान लगाएँ

डिपेंडेंसीज़ इंस्टॉल करने के लिए, pip install inference-sdk.

from inference_sdk import InferenceHTTPClient

CLIENT = InferenceHTTPClient(
    api_url="https://classify.roboflow.com",
    api_key="API_KEY"
)

result = CLIENT.infer(your_image.jpg, model_id="vehicle-classification-eapcd/2")

जावास्क्रिप्ट

Node.js

हम उपयोग करते हैं axios इस उदाहरण में POST अनुरोध करने के लिए, इसलिए पहले चलाएँ npm install axios डिपेंडेंसी इंस्टॉल करने के लिए।

स्थानीय छवि पर इंफर करना

const axios = require("axios");
const fs = require("fs");

const image = fs.readFileSync("YOUR_IMAGE.jpg", {
    encoding: "base64"
});

axios({
    method: "POST",
    url: "https://classify.roboflow.com/your-model/42",
    params: {
        api_key: "YOUR_KEY"
    },
    data: image,
    headers: {
        "Content-Type": "application/x-www-form-urlencoded"
    }
})
.then(function(response) {
    console.log(response.data);
})
.catch(function(error) {
    console.log(error.message);
});

स्विफ्ट

base64 का उपयोग करके एक स्थानीय छवि अपलोड करना

import UIKit

// छवि लोड करें और Base64 में बदलें
let image = UIImage(named: "your-image-path") // अपलोड करने के लिए छवि का पथ उदाहरण: image.jpg
let imageData = image?.jpegData(compressionQuality: 1)
let fileContent = imageData?.base64EncodedString()
let postData = fileContent!.data(using: .utf8)

// API_KEY, मॉडल और मॉडल वर्शन के साथ इंफरेंस सर्वर अनुरोध इनिशियलाइज़ करें
var request = URLRequest(url: URL(string: "https://classify.roboflow.com/your-model/your-model-version?api_key=YOUR_APIKEY&name=YOUR_IMAGE.jpg")!,timeoutInterval: Double.infinity)
request.addValue("application/x-www-form-urlencoded", forHTTPHeaderField: "Content-Type")
request.httpMethod = "POST"
request.httpBody = postData

// पोस्ट अनुरोध निष्पादित करें
URLSession.shared.dataTask(with: request, completionHandler: { data, response, error in
    
    // प्रतिक्रिया को स्ट्रिंग में पार्स करें
    guard let data = data else {
        print(String(describing: error))
        return
    }
    
    // प्रतिक्रिया स्ट्रिंग को डिक्शनरी में बदलें
    do {
        let dict = try JSONSerialization.jsonObject(with: data, options: []) as? [String: Any]
    } catch {
        print(error.localizedDescription)
    }
    
    // स्ट्रिंग प्रतिक्रिया प्रिंट करें
    print(String(data: data, encoding: .utf8)!)
}).resume()

प्रतिक्रिया ऑब्जेक्ट प्रारूप

सिंगल-लेबल वर्गीकरण

सिंगल-लेबल वर्गीकरण

होस्टेड एपीआई इंफरेंस रूट लौटाता है JSON ऑब्जेक्ट जिसमें प्रेडिक्शन की एक ऐरे होती है। प्रत्येक प्रेडिक्शन में निम्नलिखित गुण होते हैं:

• time = छवि को संसाधित करने और भविष्यवाणियाँ लौटाने में कुल समय, सेकंड में

• इमेज = एक ऑब्जेक्ट जिसमें छवि के बारे में जानकारी होती है चौड़ाई और ऊंचाई

  • चौड़ाई भविष्यवाणी की गई छवि की ऊँचाई

  • ऊंचाई = भविष्यवाणी की गई छवि की ऊँचाई

• predictions = सभी भविष्यवाणी की गई श्रेणियों और भविष्यवाणी के लिए उनके संबंधित विश्वास मानों का संग्रह

  • क्लास = वर्गीकरण का लेबल

  • कॉन्फिडेंस = मॉडल का विश्वास कि छवि में पहचानी गई वर्गीकरण की वस्तुएँ हैं

• शीर्ष = सबसे अधिक विश्वास वाली भविष्यवाणी की गई श्रेणी

• कॉन्फिडेंस = सबसे अधिक भविष्यवाणी की गई विश्वास स्कोर

• image_path = भविष्यवाणी की गई छवि का पथ

• prediction_type = अनुमान लगाने के लिए उपयोग किए गए मॉडल का प्रकार, ClassificationModel इस मामले में

// एक उदाहरण JSON ऑब्जेक्ट
{
  "time": 0.19064618100037478,
  "image": {
    "width": 210,
    "height": 113
  },
  "predictions": [
    {
      "class": "real-image",
      "confidence": 0.7149
    },
    {
      "class": "illustration",
      "confidence": 0.2851
    }
  ],
  "top": "real-image",
  "confidence": 0.7149,
  "image_path": "/cropped-images-1.jpg",
  "prediction_type": "ClassificationModel"
}

मल्टी-लेबल वर्गीकरण

मल्टी-लेबल वर्गीकरण

होस्टेड एपीआई इंफरेंस रूट लौटाता है JSON ऑब्जेक्ट जिसमें प्रेडिक्शन की एक ऐरे होती है। प्रत्येक प्रेडिक्शन में निम्नलिखित गुण होते हैं:

• time = छवि को संसाधित करने और भविष्यवाणियाँ लौटाने में कुल समय, सेकंड में

• इमेज = एक ऑब्जेक्ट जिसमें छवि के बारे में जानकारी होती है चौड़ाई और ऊंचाई

  • चौड़ाई भविष्यवाणी की गई छवि की ऊँचाई

  • ऊंचाई = भविष्यवाणी की गई छवि की ऊँचाई

• predictions = सभी भविष्यवाणी की गई श्रेणियों और भविष्यवाणी के लिए उनके संबंधित विश्वास मानों का संग्रह

  • क्लास = वर्गीकरण का लेबल

  • कॉन्फिडेंस = मॉडल का विश्वास कि छवि में पहचानी गई वर्गीकरण की वस्तुएँ हैं

• predicted_classes = एक ऐरे जिसमें मॉडल भविष्यवाणियों में लौटाई गई सभी वर्गीकरणों (लेबल/श्रेणियों) की सूची होती है

• image_path = भविष्यवाणी की गई छवि का पथ

• prediction_type = अनुमान लगाने के लिए उपयोग किए गए मॉडल का प्रकार, ClassificationModel इस मामले में

// एक उदाहरण JSON ऑब्जेक्ट
{
  "time": 0.19291414400004214,
  "image": {
    "width": 113,
    "height": 210
  },
  "predictions": {
    "dent": {
      "confidence": 0.5253503322601318
    },
    "severe": {
      "confidence": 0.5804202556610107
    }
  },
  "predicted_classes": [
    "dent",
    "severe"
  ],
  "image_path": "/car-model-343.jpg",
  "prediction_type": "ClassificationModel"
}

API संदर्भ

इन्फरेंस एपीआई का उपयोग करना

पोस्ट https://classify.roboflow.com/:datasetSlug/:versionNumber

आप अपने मॉडल एंडपॉइंट पर सीधे बेस64 एन्कोडेड इमेज POST कर सकते हैं। या यदि आपकी छवि पहले से कहीं और होस्ट की गई है, तो आप इसे इमेज क्वेरी स्ट्रिंग में पैरामीटर के रूप में पास कर सकते हैं।

पथ पैरामीटर

नाम	प्रकार	विवरण
डेटासेटस्लग	स्ट्रिंग	डेटासेट नाम का url-सुरक्षित संस्करण। आप इसे वेब UI में मुख्य प्रोजेक्ट दृश्य पर URL देखकर पा सकते हैं।
	स्ट्रिंग	आपके डेटासेट के संस्करण की पहचान करने वाला संस्करण नंबर।

क्वेरी पैरामीटर

नाम	प्रकार	विवरण
api_key	स्ट्रिंग	आपकी API कुंजी (आपके कार्यक्षेत्र API सेटिंग्स पेज से प्राप्त)

200: ठीक है

{
   "predictions":{
      "bird":{
         "confidence":0.5282308459281921
      },
      "cat":{
         "confidence":0.5069406032562256
      },
      "dog":{
         "confidence":0.49514248967170715
      }
   },
   "predicted_classes":[
      "bird",
      "cat"
   ]
}

403: निषिद्ध

{
   "message":"निषिद्ध"
}j