关于 API:
该 API 将检测给定图像中是否有人戴着口罩。
该 API 将接收一个图像的 URL,并提供分析结果。
它将检测用户是否佩戴口罩。
需要关注两个参数。
mask 和 no_mask。
在这种情况下,用户佩戴了口罩,因为结果更接近 1 并低于 1。
如果结果高于 1,则表示为假。
工作场所安全:该 API 适合那些要求员工佩戴口罩的公司。您可以在入口处设置一个检查点,以检测员工进入大楼时是否佩戴口罩。
公共交通控制:我们知道疫情尚未结束。该 API 将有助于检测任何乘客是否未佩戴口罩,并防止疾病传播。
除了每月的 API 调用限制外,没有其他限制。
执行实际的图像分析并返回结果
图像必须是常规的JPEG或PNG图像(可以有或没有透明度)。通常这样的图像扩展名为: .jpg .jpeg .png
image/jpegimage/png图像文件的大小必须小于 16Mb
如何读取参数:
mask和no_mask
在这种情况下,用户佩戴了口罩,因为结果更接近1并且低于1
如果结果大于1,则表示为假
分析图像 - 端点功能
| 对象 | 描述 |
|---|---|
url |
[必需] URL of the image you want to check. |
detection |
可选 Detection is enabled by default. |
{"results":[{"status":{"code":"ok","message":"Success"},"name":"https://assets2.cbsnewsstatic.com/hub/i/2021/12/16/f6d7364b-bb08-42eb-980b-5ea43238aa87/face-mask-brands.jpg","md5":"a60a146de34a292abce35fcb831a36f2","width":1280,"height":720,"entities":[{"kind":"objects","name":"med-mask-detector","objects":[{"box":[0.17611823081970215,0.0,0.7357337474822998,0.9957617865668402],"entities":[{"kind":"classes","name":"people-detector","classes":{"person":0.7737056612968445}},{"kind":"classes","name":"med-mask","classes":{"mask":0.9999998807907104,"nomask":1.5353623439295916e-07}}]}]}]}]}
curl --location --request POST 'https://zylalabs.com/api/368/masks+detection+api/294/analyze+image?url=https://assets2.cbsnewsstatic.com/hub/i/2021/12/16/f6d7364b-bb08-42eb-980b-5ea43238aa87/face-mask-brands.jpg&detection=true' --header 'Authorization: Bearer YOUR_API_KEY'
| 标头 | 描述 |
|---|---|
授权
|
[必需] 应为 Bearer access_key. 订阅后,请查看上方的"您的 API 访问密钥"。 |
无长期承诺。随时升级、降级或取消。 免费试用包括最多 50 个请求。
口罩检测 API 返回一个 JSON 响应,其中包含对提供的图像的分析。它包括状态码、消息以及关于检测到的人是否戴口罩的详细信息,还有每个分类的置信度分数
响应中的关键字段包括 `status` (含 `code` 和 `message`),`name` (图像 URL),`md5` (图像哈希),`width`,`height` 和 `entities` (包含检测结果,包括掩码状态)
响应数据以层次化格式构建 以`results`数组开头 包含详细分析的对象 包括`status` 图像元数据和检测实体 进一步细分掩模检测结果
口罩检测API接受一个参数:图片URL 用户必须确保图片为JPEG或PNG格式且大小在16MB以下以便成功分析
用户可以通过检查 `mask` 和 `nomask` 的置信分数来利用返回的数据 `mask` 的分数接近 1 表示此人戴着口罩 而 `nomask` 的分数超过 1 则表示他们没有戴口罩
典型的使用案例包括工作场所安全检查以确保员工佩戴口罩 监测公共交通的合规性以及在健康危机期间增强人群密集区域的安全措施
数据准确性通过在多样化数据集上训练的先进机器学习算法得以保持 模型的持续更新和改进有助于确保可靠的口罩检测结果
用户可以期待响应中出现一致的模式,例如口罩和非口罩信心分数之间的明显区别 通常在检测到口罩时 `mask` 分数会显著更高,而 `nomask` 分数则会较低
服务级别:
100%
响应时间:
856ms
服务级别:
100%
响应时间:
1,373ms
服务级别:
100%
响应时间:
962ms
服务级别:
100%
响应时间:
1,309ms
服务级别:
100%
响应时间:
1,151ms
服务级别:
100%
响应时间:
990ms
服务级别:
100%
响应时间:
338ms
服务级别:
91%
响应时间:
258ms
服务级别:
100%
响应时间:
0ms
服务级别:
100%
响应时间:
909ms
服务级别:
100%
响应时间:
4,048ms
服务级别:
100%
响应时间:
3,107ms
服务级别:
91%
响应时间:
2,513ms
服务级别:
100%
响应时间:
681ms
服务级别:
100%
响应时间:
1,711ms
服务级别:
100%
响应时间:
2,560ms
服务级别:
100%
响应时间:
1,374ms
服务级别:
100%
响应时间:
20ms
服务级别:
100%
响应时间:
2,175ms
服务级别:
100%
响应时间:
1,945ms