{
"detections": [
{
"angle": [],
"box": {
"br_x": 0.7382,
"br_y": 0.7271,
"tl_x": 0.2115,
"tl_y": 0.2993
},
"class": {
"name": "car",
"probability": 0.9807
},
"color": [],
"mm": [],
"mmg": [
{
"generation_id": 19047,
"generation_name": "III",
"make_id": 79,
"make_name": "Peugeot",
"model_id": 1783,
"model_name": "3008",
"probability": 0.989,
"years": "2023-"
}
],
"status": {
"code": 0,
"message": "",
"selected": true
},
"subclass": [
{
"name": "vehicle",
"probability": 1
}
]
},
{
"angle": [],
"box": {
"br_x": 0.4228,
"br_y": 0.5976,
"tl_x": 0.0842,
"tl_y": 0.3151
},
"class": {
"name": "car",
"probability": 0.9908
},
"color": [],
"mm": [],
"mmg": [],
"status": {
"code": 31,
"message": "Box rejected. Box was not selected according to the currently active selection strategy: center",
"selected": false
},
"subclass": []
},
{
"angle": [],
"box": {
"br_x": 0.265,
"br_y": 0.5691,
"tl_x": 0.0587,
"tl_y": 0.324
},
"class": {
"name": "car",
"probability": 0.3324
},
"color": [],
"mm": [],
"mmg": [],
"status": {
"code": 31,
"message": "Box rejected. Box was not selected according to the currently active selection strategy: center",
"selected": false
},
"subclass": []
},
{
"angle": [],
"box": {
"br_x": 0.2197,
"br_y": 0.4184,
"tl_x": 0.0128,
"tl_y": 0.2777
},
"class": {
"name": "car",
"probability": 0.5305
},
"color": [],
"mm": [],
"mmg": [],
"status": {
"code": 23,
"message": "Box rejected. Height is 101 which is less than box_min_height 140",
"selected": false
},
"subclass": []
},
{
"angle": [],
"box": {
"br_x": 0.0528,
"br_y": 0.3732,
"tl_x": 0.0026,
"tl_y": 0.2878
},
"class": {
"name": "car",
"probability": 0.574
},
"color": [],
"mm": [],
"mmg": [],
"status": {
"code": 22,
"message": "Box rejected. Width is 64 which is less than box_min_width 180",
"selected": false
},
"subclass": []
}
],
"is_success": true,
"meta": {
"classifier": 2266,
"md5": "03D5541B58310E471EF556D597BF94CF",
"parameters": {
"box_max_ratio": 3.15,
"box_min_height": 140,
"box_min_ratio": 1,
"box_min_width": 180,
"box_select": "center",
"features": [
"mmg"
],
"region": [
"DEF"
]
},
"time": 0.082
}
}
curl --location 'https://zylalabs.com/api/14778/car+make+model+generation+recognition+api/38290/detects+and+recognizes+vehicles+in+photo' \
--header 'Content-Type: application/json' \
--form 'image=@"FILE_PATH"'
注册后,每个开发者都会被分配一个个人 API 访问密钥,这是一个唯一的字母和数字组合,用于访问我们的 API 端点。要使用 汽车品牌车型代际识别 API 进行身份验证,只需在 Authorization 标头中包含您的 bearer token。
| 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"。
|
该API返回有关汽车品牌、型号、代次、生产年份、车身颜色以及照片拍摄角度的数据。它为每个类别提供前三个猜测及其概率
响应中的关键字段包括“检测”,其中包含诸如“角度”、“框”(边界框坐标)、“类别”(车辆类型)、“颜色”和“毫米”(制造商、型号、代次详情)的信息
响应的结构是一个包含“detections”数组的JSON对象 每个检测包括角度 边界框 类别 颜色和品牌/型号/代的信息字段 方便解析和分析
该端点接受一个名为`image`的必需文件上传参数(JPEG PNG WEBP GIF BMP和TIFF 最大12 MB)和一个可选查询参数`region`,可以设置为`DEF`表示全球或`NA`表示北美
该API提供有关汽车品牌、型号、代次、生产年份、车身颜色和照片角度的信息。它还指示图像中汽车的位置以及是否显示车身、内饰或其他部件
用户可以通过指定`region`参数来定制请求,从而将结果限制在北美或全球范围内。他们还必须上传一个用于检测的单个图像文件
典型的使用案例包括汽车应用,例如在保险索赔中的车辆识别、汽车销售平台以及希望从照片中识别车辆的汽车爱好者的移动应用程序
是的 识别运行在我们为汽车构建的自有视觉模型上 而不是基于大型语言模型 在我们的服务器上 一张有一辆车的照片的平均处理时间是0.10秒 90%的回答在0.14秒内完成 不包括上传时间 一个大型语言模型通常每张照片需要几秒钟
是的,只要识别版本保持不变:相同的品牌、型号和世代,名称固定,这样答案就容易存储和比较。大型语言模型每次可以用不同的方式表达答案
我们在二手车网站上随机选取了1000张汽车照片进行测试,正确识别了970多张,准确率超过97% 结果取决于您的照片