분류(Classification)

Roboflow에 호스팅된 분류 모델에서 추론을 실행하세요.

로컬 및 호스팅된 이미지에서 추론

의존성을 설치하려면, 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")

Node.js

우리는 사용합니다 axios 를 이 예제에서 POST 요청을 수행하기 위해 사용하므로 먼저 npm install axios 로 의존성을 설치하세요.

로컬 이미지에서 추론하기

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);
});

base64을 사용하여 로컬 이미지 업로드

import UIKit

// 이미지 로드 및 Base64로 변환
let image = UIImage(named: "your-image-path") // 업로드할 이미지 경로 예: image.jpg
let imageData = image?.jpegData(compressionQuality: 1)
let fileContent = imageData?.base64EncodedString()
let postData = fileContent!.data(using: .utf8)

// API_KEY, 모델 및 모델 버전으로 추론 서버 요청 초기화
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

// POST 요청 실행
URLSession.shared.dataTask(with: request, completionHandler: { data, response, error in
    
    // 응답을 문자열로 파싱
    guard let data = data else {
        print(String(describing: error))
        return
    }
    
    // 응답 문자열을 사전으로 변환
    do {
        let dict = try JSONSerialization.jsonObject(with: data, options: []) as? [String: Any]
    } catch {
        print(error.localizedDescription)
    }
    
    // 문자열 응답 출력
    print(String(data: data, encoding: .utf8)!)
}).resume()

응답 객체 형식

Single-Label Classification

호스팅된 API 추론 경로는 다음을 반환합니다 JSON 예측 배열을 포함하는 객체입니다. 각 예측은 다음 속성을 가집니다:

time = 이미지를 처리하고 예측을 반환하는 데 걸린 총 시간(초)
매개변수에 대해 입력 이미지를 선택하세요. 예측에는 모델 결과를 선택하세요. 선택적 구성 속성을 사용하여 경계 상자의 색상과 크기를 변경할 수 있습니다. = 이미지에 대한 정보를 담고 있는 객체 width 이제 GPU TRT 컨테이너가 Docker에서 실행 중입니다. 다른 Ubuntu 터미널을 열어 Docker 컨테이너로 추론 데이터를 보낼 준비를 합니다. 다음을 사용하세요: height
- width 예측된 이미지의 높이
- height = 예측된 이미지의 높이
predictions = 예측에 대한 모든 예측 클래스와 관련 신뢰도 값을 모아둔 컬렉션
- class = 분류의 라벨
- confidence = 모델이 해당 분류의 객체가 이미지에 포함되어 있다고 확신하는 정도
top = 가장 높은 신뢰도의 예측 클래스
confidence = 가장 높은 예측 신뢰도 점수
image_path = 예측된 이미지의 경로
prediction_type = 추론을 수행하는 데 사용된 모델 유형, ClassificationModel 이 경우

// 예시 JSON 객체
{
  "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"
}

Multi-Label Classification

호스팅된 API 추론 경로는 다음을 반환합니다 JSON 예측 배열을 포함하는 객체입니다. 각 예측은 다음 속성을 가집니다:

time = 이미지를 처리하고 예측을 반환하는 데 걸린 총 시간(초)
매개변수에 대해 입력 이미지를 선택하세요. 예측에는 모델 결과를 선택하세요. 선택적 구성 속성을 사용하여 경계 상자의 색상과 크기를 변경할 수 있습니다. = 이미지에 대한 정보를 담고 있는 객체 width 이제 GPU TRT 컨테이너가 Docker에서 실행 중입니다. 다른 Ubuntu 터미널을 열어 Docker 컨테이너로 추론 데이터를 보낼 준비를 합니다. 다음을 사용하세요: height
- width 예측된 이미지의 높이
- height = 예측된 이미지의 높이
predictions = 예측에 대한 모든 예측 클래스와 관련 신뢰도 값을 모아둔 컬렉션
- class = 분류의 라벨
- confidence = 모델이 해당 분류의 객체가 이미지에 포함되어 있다고 확신하는 정도
predicted_classes = 모델 예측에서 반환된 모든 분류(라벨/클래스)의 목록을 포함하는 배열
image_path = 예측된 이미지의 경로
prediction_type = 추론을 수행하는 데 사용된 모델 유형, ClassificationModel 이 경우

// 예시 JSON 객체
{
  "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 참조

Inference API 사용

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

base64로 인코딩된 이미지를 모델 엔드포인트로 직접 POST할 수 있습니다. 또는 이미지가 이미 다른 곳에 호스팅되어 있다면 URL을 쿼리 문자열의 매개변수에 대해 입력 이미지를 선택하세요. 예측에는 모델 결과를 선택하세요. 선택적 구성 속성을 사용하여 경계 상자의 색상과 크기를 변경할 수 있습니다. 매개변수로 전달할 수 있습니다.

경로 매개변수

이름

유형

설명

datasetSlug

string

데이터셋 이름의 URL-안전 버전입니다. 메인 프로젝트 보기의 URL을 확인하여 웹 UI에서 찾을 수 있습니다.

string

데이터셋 버전을 식별하는 버전 번호입니다.

쿼리 매개변수

이름

유형

설명

api_key

string

워크스페이스 API 설정 페이지에서 얻은 API 키

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

Previous객체 감지(Object Detection)Next인스턴스 분할(Instance Segmentation)

Last updated 10 months ago

Was this helpful?