关于API:
该API将识别给定场景图像是室内还是室外。根据此信息,它将把场景分类为我们支持的标签之一。
传递您选择的图像URL的JSON对象,并以JSON格式接收分类结果。
该API非常适合需要根据场景对其图像数据库进行分类的公司。您将能够按室内或室外进行分类,并在这两种标签中,您将获得更多可供使用的信息。
除了每月的API调用限制:
免费计划:每分钟30个请求。
通过这个场景分类模型,照片中的场景被大规模识别。该模型检查场景的设置(室内或室外),并根据对象的特征对其进行分类。它返回各种场景标签以及详细的特征。
对于输入图像,支持以下扩展名:JPG、JPEG 和 PNG。最大图像大小为1920x1080。
获取场景分类 - 端点功能
| 对象 | 描述 |
|---|---|
请求体 |
[必需] Json |
{"Indoor":false,"categories":["lake/natural","mountain_snowy","valley","mountain","hot_spring"],"attributes":["open area","natural light","natural","far-away horizon","sunny","climbing","boating","still water","swimming"]}
curl --location --request POST 'https://zylalabs.com/api/803/scene+labeling+api/553/get+scene+classification' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"url": "https://www.amateurphotographer.co.uk/wp-content/uploads/2022/03/Landscape-South-Island-New-Zealand-820x500.jpg"
}'
| 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。
场景标签API返回一个包含输入图像分类结果的JSON对象。这包括场景是室内还是室外、类别列表(例如:“湖泊/自然”)和描述场景的属性(例如:“阳光明媚”、“自然光”)
响应数据中的关键字段包括“Indoor”(布尔值),“categories”(场景类型数组)和“attributes”(描述性特征数组)这些字段提供了关于场景分类和特征的见解
响应数据结构为JSON对象 包括一个布尔值用于指示场景是否在室内 一个分类数组用于对场景进行分类 以及一个属性数组用于描述场景的特定特征
该API提供场景是室内还是室外的信息,将场景分类为特定类型(如“山”或“湖”),并列出描述场景特征的属性,例如光照和活动
端点的主要参数是图像 URL,它必须指向支持的图像格式(JPG、JPEG、PNG) 用户可以通过提供不同的图像 URL 来定制他们的请求以分类各种场景
用户可以通过分析“类别”和“属性”来利用返回的数据,根据场景类型和特征对图像进行排序和过滤。例如,用户可以根据户外活动或特定环境如“海滩”或“森林”对图像进行分组
该API使用了一个在多样化图像数据集上训练的场景分类模型。这个模型旨在识别各种室内和室外场景,确保广泛覆盖常见环境和物体
数据准确性通过持续的模型训练和针对各种图像的验证来保持实施质量检查以确保模型的分类与现实场景特征一致从而增强可靠性
服务级别:
100%
响应时间:
650ms
服务级别:
100%
响应时间:
3,314ms
服务级别:
89%
响应时间:
0ms
服务级别:
100%
响应时间:
289ms
服务级别:
100%
响应时间:
4,271ms
服务级别:
100%
响应时间:
56ms
服务级别:
100%
响应时间:
5,394ms
服务级别:
100%
响应时间:
1,189ms
服务级别:
100%
响应时间:
426ms
服务级别:
100%
响应时间:
6,292ms
服务级别:
100%
响应时间:
1,425ms
服务级别:
100%
响应时间:
300ms
服务级别:
100%
响应时间:
212ms
服务级别:
100%
响应时间:
11,282ms
服务级别:
100%
响应时间:
225ms
服务级别:
100%
响应时间:
4,048ms
服务级别:
100%
响应时间:
4,172ms
服务级别:
100%
响应时间:
1,321ms
服务级别:
100%
响应时间:
4,922ms
服务级别:
100%
响应时间:
3,742ms