视觉AI训练营 DAY2 基于图像识别的垃圾分类系统

本文涉及的产品
视觉智能开放平台,分割抠图1万点
视觉智能开放平台,视频资源包5000点
视觉智能开放平台,图像资源包5000点
简介: 垃圾分类识别ClassifyingRubbish的语法与应用。

功能描述
ClassifyingRubbish可以对图片中的物品垃圾进行分类,并给出具体的物品名称。

前提条件
前往视觉只能开放平台开通图像识别服务。

图片限制
图片类型:JPEG、JPG、PNG。
图片大小:图片小于等于3M。
图片分辨率:不限制图片分辨率,但图片分辨率太高可能会导致API识别超时,超时时间为5秒。
URL地址中不能包含中文字符。

应用香蕉皮结果.png
干电池结果.png

干电池识别代码示例

    "success": true,
    "data": {
        "data": {
            "RequestId": "62AB40DF-0DE2-43EF-BC6D-E49A4C731BCF",
            "Data": {
                "Sensitive": false,
                "Elements": [
                    {
                        "Rubbish": "干电池",
                        "Category": "干垃圾",
                        "CategoryScore": 1,
                        "RubbishScore": 1
                    }
                ]
            }
        },
        "url": "https://imagerecog.cn-shanghai.aliyuncs.com/",
        "during": 661,
        "headers": {
            "response": {
                "date": "Tue, 03 Nov 2020 12:31:19 GMT",
                "content-type": "application/json;charset=utf-8",
                "content-length": "178",
                "connection": "keep-alive",
                "access-control-allow-origin": "*",
                "access-control-allow-methods": "POST, GET, OPTIONS",
                "access-control-allow-headers": "X-Requested-With, X-Sequence, _aop_secret, _aop_signature",
                "access-control-max-age": "172800",
                "x-acs-request-id": "62AB40DF-0DE2-43EF-BC6D-E49A4C731BCF"
            }
        }
    },
    "requestId": "ec7732ba-b92c-4d2d-bd31-1a259fdcd43c"
}

调试
您可以在OpenAPI Explorer中直接运行该接口,免去您计算签名的困扰。运行成功后,OpenAPI Explorer可以自动生成SDK代码示例。

请求参数
Action类型String,示例值ClassifyingRubbish 要执行的操作取值:ClassifyingRubbish。

ImageURL类型String是必选示例值:https://viapi-test.oss-cn-shanghai.aliyuncs.com/test-team/rubbish.jpg
描述图片URL地址。当前仅支持上海地域的OSS链接,如何生成URL请参见生成URL。

返回数据
名称Data,类型Struct,描述返回的结果数据内容。
名称RequestId,类型String,示例值UUID,描述请求ID。

示例代码
请求示例

&ImageURL=https://viapi-test.oss-cn-shanghai.aliyuncs.com/test-team/rubbish.jpg
&<公共请求参数>

正常返回数据

<Data>
    <Sensitive>false</Sensitive>
    <Elements>
        <Category>可回收垃圾</Category>
        <CategoryScore>0.68</CategoryScore>
        <Rubbish>干电池</Rubbish>
        <RubbishScore>0.68</RubbishScore>
    </Elements>
</Data>

总结:基于个人水平不足,只能参考学习。经过这5天的学习对视觉只能AI识别有了系统的认识,也懂得了识别的原理与程序代码分析。收获良多。

相关文章
|
19天前
|
机器学习/深度学习 数据采集 人工智能
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展,深度学习技术正逐步应用于教育领域,特别是个性化学习系统中。通过分析学生的学习数据,深度学习模型能够精准预测学生的学习表现,并为其推荐合适的学习资源和规划学习路径,从而提供更加高效、有趣和个性化的学习体验。
75 9
|
1月前
|
机器学习/深度学习 数据采集 人工智能
未来的守护神:AI驱动的网络安全之盾,如何用智慧的光芒驱散网络黑暗势力?揭秘高科技防御系统背后的惊天秘密!
【10月更文挑战第3天】随着网络技术的发展,网络安全问题日益严峻,传统防御手段已显不足。本文探讨了构建AI驱动的自适应网络安全防御系统的必要性及其关键环节:数据采集、行为分析、威胁识别、响应决策和执行。通过Python库(如scapy、scikit-learn和TensorFlow)的应用实例,展示了如何利用AI技术提升网络安全防护水平。这种系统能够实时监控、智能分析并自动化响应,显著提高防护效率与准确性,为数字世界提供更强大的安全保障。
61 2
|
30天前
|
人工智能 自然语言处理 机器人
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
10 月 18 日, InfoQ《C 位面对面》栏目邀请到阿里云 CIO 及 aliyun.com 负责人蒋林泉(花名:雁杨),就 AI 时代企业 CIO 的角色转变、企业智能化转型路径、AI 落地实践与人才培养等主题展开了讨论。
792 67
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
|
28天前
|
存储 人工智能 自然语言处理
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
|
18天前
|
机器学习/深度学习 人工智能 搜索推荐
AI在医疗领域的革命:智能诊断系统的未来
在科技日新月异的今天,人工智能(AI)技术正逐渐渗透到我们生活的每一个角落,其中医疗领域尤为显著。本文将探讨AI在医疗诊断中的应用及其带来的变革,重点介绍智能诊断系统的发展现状与未来趋势。通过深入浅出的方式,我们将揭示AI如何改变传统医疗模式,提高诊断效率和准确性,最终造福广大患者。
|
23天前
|
人工智能 API 决策智能
swarm Agent框架入门指南:构建与编排多智能体系统的利器 | AI应用开发
Swarm是OpenAI在2024年10月12日宣布开源的一个实验性质的多智能体编排框架。其核心目标是让智能体之间的协调和执行变得更轻量级、更容易控制和测试。Swarm框架的主要特性包括轻量化、易于使用和高度可定制性,非常适合处理大量独立的功能和指令。【10月更文挑战第15天】
162 6
|
24天前
|
机器学习/深度学习 人工智能 算法
利用AI技术进行图像识别的探索之旅
【10月更文挑战第21天】本文主要介绍了如何运用人工智能技术进行图像识别。通过深入浅出的解释,让读者对AI图像识别有更深入的理解。同时,文章还提供了一些代码示例,帮助读者更好地理解和应用这些技术。
|
16天前
|
人工智能 自然语言处理 安全
AI技术在智能客服系统中的应用与挑战
【10月更文挑战第28天】本文将深入探讨人工智能(AI)技术在智能客服系统中的应用及其面临的挑战。我们将通过实例分析,了解AI如何改善客户服务体验,提高效率和降低成本。同时,我们也将关注AI在实际应用中可能遇到的问题,如语义理解、情感识别和数据安全等,并提出相应的解决方案。
|
1月前
|
人工智能 安全 自动驾驶
【通义】AI视界|英特尔和AMD“史无前例”首次合作,组建X86生态系统咨询小组
本文概览了近期科技领域的五大热点新闻,包括联想与Meta合作推出个人AI智能体“AI Now”,英特尔和AMD首次合作组建X86生态系统咨询小组,特斯拉计划大规模生产自动驾驶出租车,前Palantir首席信息安全官加盟OpenAI,以及Meta因涉嫌损害青少年心理健康面临美国多州诉讼。更多资讯,请访问通义平台。
|
1月前
|
数据采集 人工智能 测试技术
还在死磕AI咒语?北大-百川搞了个自动提示工程系统PAS
【10月更文挑战第4天】北京大学和百川智能研究人员开发了一种名为PAS的即插即用自动提示工程(APE)系统,利用高质量数据集训练的大型语言模型(LLMs),在基准测试中取得了显著成果,平均提升了6.09个百分点。PAS仅需9000个数据点即可实现顶尖性能,并能自主生成提示增强数据,提高了灵活性和效率。尽管存在训练数据质量和提示多样性等方面的潜在局限性,PAS仍为解决提示工程挑战提供了有前景的方法,有望提升LLM的可用性和有效性。论文详见:https://arxiv.org/abs/2407.06027。
44 3