GSP037

概览

Cloud Vision API 是一项云端服务，用于分析图片并提取信息。您可以用它来检测图片中的对象、人脸和文本。Cloud Vision API 将强大的机器学习模型封装在一个简单的 REST API 中，让您能够了解图片的内容。

在本实验中，您将探索如何将图片发送到 Cloud Vision API，并观察其检测对象、人脸和地标。

目标

在本实验中，您将学习如何执行以下任务：

• 创建 Cloud Vision API 请求，并使用 curl 调用该 API。
• 使用该 API 的标签检测、人脸检测和地标检测方法。

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。为此，我们会向您提供新的临时凭据，您可以在该实验的规定时间内通过此凭据登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式（推荐）或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：请仅使用学生账号完成本实验。如果您使用其他 Google Cloud 账号，则可能会向该账号收取费用。

如何开始实验并登录 Google Cloud 控制台

1. 点击开始实验按钮。如果该实验需要付费，系统会打开一个对话框供您选择支付方式。左侧是“实验详细信息”窗格，其中包含以下各项：

   • “打开 Google Cloud 控制台”按钮
   • 剩余时间
   • 进行该实验时必须使用的临时凭据
   • 帮助您逐步完成本实验所需的其他信息（如果需要）

2. 点击打开 Google Cloud 控制台（如果您使用的是 Chrome 浏览器，请右键点击并选择在无痕式窗口中打开链接）。

   该实验会启动资源并打开另一个标签页，显示“登录”页面。

   提示：将这些标签页安排在不同的窗口中，并排显示。

   注意：如果您看见选择账号对话框，请点击使用其他账号。

3. 如有必要，请复制下方的用户名，然后将其粘贴到登录对话框中。

   {{{user_0.username | "<用户名>"}}}

   您也可以在“实验详细信息”窗格中找到“用户名”。

4. 点击下一步。

5. 复制下面的密码，然后将其粘贴到欢迎对话框中。

   {{{user_0.password | "<密码>"}}}

   您也可以在“实验详细信息”窗格中找到“密码”。

6. 点击下一步。

   重要提示：您必须使用实验提供的凭据。请勿使用您的 Google Cloud 账号凭据。 注意：在本实验中使用您自己的 Google Cloud 账号可能会产生额外费用。

7. 继续在后续页面中点击以完成相应操作：

   • 接受条款及条件。
   • 由于这是临时账号，请勿添加账号恢复选项或双重验证。
   • 请勿注册免费试用。

片刻之后，系统会在此标签页中打开 Google Cloud 控制台。

注意：如需访问 Google Cloud 产品和服务，请点击导航菜单，或在搜索字段中输入服务或产品的名称。

激活 Cloud Shell

Cloud Shell 是一种装有开发者工具的虚拟机。它提供了一个永久性的 5GB 主目录，并且在 Google Cloud 上运行。Cloud Shell 提供可用于访问您的 Google Cloud 资源的命令行工具。

1. 点击 Google Cloud 控制台顶部的激活 Cloud Shell 。

2. 在弹出的窗口中执行以下操作：

   • 继续完成 Cloud Shell 信息窗口中的设置。
   • 授权 Cloud Shell 使用您的凭据进行 Google Cloud API 调用。

如果您连接成功，即表示您已通过身份验证，且项目 ID 会被设为您的 Project_ID 。输出内容中有一行说明了此会话的 Project_ID：

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud 是 Google Cloud 的命令行工具。它已预先安装在 Cloud Shell 上，且支持 Tab 自动补全功能。

3. （可选）您可以通过此命令列出活跃账号名称：

gcloud auth list

4. 点击授权。

输出：

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （可选）您可以通过此命令列出项目 ID：

gcloud config list project

输出：

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注意：如需查看在 Google Cloud 中使用 gcloud 的完整文档，请参阅 gcloud CLI 概览指南。

任务 1. 创建 API 密钥

在此任务中，您将生成 API 密钥来传入请求网址，为使用 curl 向 Vision API 发送请求做准备。

1. 如需创建 API 密钥，请在 Cloud 控制台中依次点击导航菜单 > API 和服务 > 凭证。

2. 点击创建凭证，然后选择 API 密钥。

3. 接下来，复制您刚刚生成的密钥，然后点击关闭。

点击检查我的进度，以检查您的实验进度。

创建 API 密钥

接下来，将密钥保存为一个环境变量，这样就不必在每个请求中都插入该 API 密钥的值。

4. 更新以下命令，将占位符文本替换为您复制的 API 密钥，然后在 Cloud Shell 中运行该命令，将该值设置为环境变量：

export API_KEY=<YOUR_API_KEY>

任务 2. 将图片上传到 Cloud Storage 存储桶

可以通过两种方式将图片发送到 Cloud Vision API 进行图片检测：向该 API 发送 base64 编码的图片字符串，或向其传递 Cloud Storage 中存储的文件的网址。

本实验使用传递 Cloud Storage 网址这一方法。第一步是创建 Cloud Storage 存储桶来存储图片。

1. 在导航菜单中，依次选择 Cloud Storage > 存储桶。在存储桶旁边，点击创建。

2. 为您的存储桶指定唯一的名称：-bucket。

3. 为存储桶命名后，点击选择如何控制对对象的访问权限。

4. 取消选中禁止公开访问此存储桶复选框，然后选中精细控制单选按钮。

存储桶的其他所有设置都可以保留默认设置。

5. 点击创建。

将图片上传到存储桶

1. 右键点击以下甜甜圈图片，然后选择图片另存为，将其保存到您的计算机中，命名为 donuts.png。

2. 前往您刚刚创建的存储桶，依次点击上传 > 上传文件，然后选择 donuts.png，点击打开。

您应会在存储桶中看到相应文件。

现在，您需要公开此图片。

3. 点击图片对应的三点状图，然后选择修改访问权限。

4. 点击添加条目，然后输入以下内容：

   • 实体：Public
   • 名称：allUsers
   • 访问权限：Reader

5. 然后，点击保存。

将文件放入存储桶后，您就可以创建 Cloud Vision API 请求，向该 API 传递此甜甜圈图片的网址。

点击检查我的进度，以检查您的实验进度。

将图片上传到存储桶

任务 3. 创建请求

在 Cloud Shell 主目录中创建 request.json 文件。

1. 使用 Cloud Shell 代码编辑器（通过点击 Cloud Shell 功能区中的铅笔图标）

或您首选的命令行编辑器（nano、vim 或 emacs），创建 request.json 文件。

2. 将以下代码粘贴到 request.json 文件中：

{ "requests": [ { "image": { "source": { "gcsImageUri": "gs://{{{project_0.project_id | PROJECT_ID}}}-bucket/donuts.png" } }, "features": [ { "type": "LABEL_DETECTION", "maxResults": 10 } ] } ] }

3. 保存文件。

在 Cloud Shell IDE 中启用 Gemini Code Assist

您可以在集成开发环境 (IDE)（例如 Cloud Shell）中使用 Gemini Code Assist，以获取代码方面的指导或解决代码问题。您需要先启用 Gemini Code Assist，然后才能使用该功能。

1. 在 Cloud Shell 中，使用以下命令启用 Gemini for Google Cloud API：

gcloud services enable cloudaicompanion.googleapis.com

2. 点击 Cloud Shell 工具栏上的打开编辑器。

注意：如需打开 Cloud Shell 编辑器，请点击 Cloud Shell 工具栏上的打开编辑器。您可以根据需要点击打开编辑器或打开终端，在 Cloud Shell 和代码编辑器之间切换。

3. 在左侧窗格中，点击设置图标，然后在设置视图中搜索 Gemini Code Assist。

4. 找到Geminicodeassist: Enable（Geminicodeassist：启用）并确保选中了该复选框，然后关闭设置。

5. 点击屏幕底部状态栏中的 Cloud Code - 无项目。

6. 按照说明对插件进行授权。如果系统未自动选择项目，请点击选择 Google Cloud 项目，然后选择 。

7. 检查您的 Google Cloud 项目 () 是否显示在状态栏的 Cloud Code 状态消息中。

任务 4. 执行标签检测

您将首先探索 Cloud Vision API 的标签检测功能。您所用的方法会返回图片内容的标签（字词）列表。

1. 在 Cloud Shell 终端中，运行以下 curl 命令来调用 Cloud Vision API，并将响应保存到 label_detection.json 文件：

curl -s -X POST -H "Content-Type: application/json" --data-binary @request.json https://vision.googleapis.com/v1/images:annotate?key=${API_KEY} -o label_detection.json && cat label_detection.json

您的响应应如下所示。

输出：

{ "responses": [ { "labelAnnotations": [ { "mid": "/m/01dk8s", "description": "Powdered sugar", "score": 0.9861496, "topicality": 0.9861496 }, { "mid": "/m/01wydv", "description": "Beignet", "score": 0.9565117, "topicality": 0.9565117 }, { "mid": "/m/02wbm", "description": "Food", "score": 0.9424965, "topicality": 0.9424965 }, { "mid": "/m/0hnyx", "description": "Pastry", "score": 0.8173416, "topicality": 0.8173416 }, { "mid": "/m/02q08p0", "description": "Dish", "score": 0.8076026, "topicality": 0.8076026 }, { "mid": "/m/01ykh", "description": "Cuisine", "score": 0.79036003, "topicality": 0.79036003 }, { "mid": "/m/03nsjgy", "description": "Kourabiedes", "score": 0.77726763, "topicality": 0.77726763 }, { "mid": "/m/06gd3r", "description": "Angel wings", "score": 0.73792106, "topicality": 0.73792106 }, { "mid": "/m/06x4c", "description": "Sugar", "score": 0.71921736, "topicality": 0.71921736 }, { "mid": "/m/01zl9v", "description": "Zeppole", "score": 0.7111677, "topicality": 0.7111677 } ] } ] }

该 API 能够识别出这些甜甜圈的具体类型：糖粉甜甜圈。不错！对于 Vision API 找到的每个标签，它都会返回：

• description：物品名称。
• score：一个介于 0 到 1 之间的数值，表示该 API 对描述与图片内容匹配的置信度。
• mid 值：与物品在 Google 知识图谱中的 mid 相对应。在调用 Knowledge Graph API 时，您可以使用 mid 来获取有关相应物品的更多信息。

2. 在 Cloud Shell 编辑器中，找到 label_detection.json。此操作会启用 Gemini Code Assist，启用后，编辑器右上角会显示 图标。

为了在最大程度减少上下文切换的同时提高效率，Gemini Code Assist 直接在代码编辑器中提供依托 AI 技术的智能操作。在本部分中，您决定让 Gemini Code Assist 帮忙向团队成员解释 Cloud Vision API 响应。

3. 点击 Gemini Code Assist：智能操作 图标，然后选择 Explain this（解释此内容）。

4. Gemini Code Assist 会打开一个聊天窗格，其中预填充了 Explain this 提示。在 Code Assist 聊天窗格的内嵌文本框中，将预填充的提示替换为以下内容，然后点击发送：

You are a Machine Learning Engineer at Cymbal AI. A new team member needs help understanding this Cloud Vision API response. Explain the label_detection.json file in detail. Break down its key components and their function within the JSON code. For the suggested improvements, don't make any changes to the file's content.

label_detection.json 代码中 Cloud Vision API 响应的详细说明会显示在 Gemini Code Assist 对话中。

任务 5. 执行 Web 检测

除了获取图片内容的标签外，Cloud Vision API 还可以搜索互联网，查找有关图片的更多详细信息。通过该 API 的 WebDetection 方法，您可以获得许多有趣的数据：

• 在您的图片中发现的实体列表，根据包含类似图片的网页上的内容生成。
• 在网络上找到的完全匹配和部分匹配图片的网址，以及这些页面的网址。
• 类似图片的网址，就像执行以图搜图一样。

如需试用 Web 检测，请使用同一张贝涅饼的图片，并更改 request.json 文件中的一行内容（也可以大胆尝试，使用完全不同的图片）。

1. 在 Cloud Shell 编辑器中的同一目录下，找到 request.json 并将其打开。

2. 点击工具栏上的 Gemini Code Assist：智能操作 图标。

除了提供详细的代码说明外，您还可以使用 Gemini Code Assist 的 AI 赋能功能，直接在代码编辑器中更改代码。在这里，您决定让 Gemini Code Assist 帮助修改 request.json 文件的内容。

3. 修改 request.json 文件，方法是将以下提示粘贴到工具栏中打开的 Gemini Code Assist 内嵌文本字段中。

In the request.json file, update the features list, change type from LABEL_DETECTION to WEB_DETECTION.

4. 如需提示 Gemini Code Assist 按要求修改代码，请按 Enter 键。

5. 在 Gemini Diff 视图中看到提示时，点击应用所有更改。

request.json 文件的内容现在应如下所示。

{ "requests": [ { "image": { "source": { "gcsImageUri": "gs://{{{project_0.project_id | PROJECT_ID}}}-bucket/donuts.png" } }, "features": [ { "type": "WEB_DETECTION", "maxResults": 10 } ] } ] }

6. 在 Cloud Shell 终端中，运行以下 curl 命令来调用 Cloud Vision API：

curl -s -X POST -H "Content-Type: application/json" --data-binary @request.json https://vision.googleapis.com/v1/images:annotate?key=${API_KEY}

7. 深入了解响应，首先是 webEntities。以下是此图片返回的一些实体：

{ "responses": [ { "webDetection": { "webEntities": [ { "entityId": "/m/0z5n", "score": 0.8868, "description": "Application programming interface" }, { "entityId": "/m/07kg1sq", "score": 0.3139, "description": "Encapsulation" }, { "entityId": "/m/0105pbj4", "score": 0.2713, "description": "Google Cloud Platform" }, { "entityId": "/m/01hyh_", "score": 0.2594, "description": "Machine learning" }, ... ]

这张图片曾在许多关于 Cloud ML API 的演示文稿中使用过，因此，该 API 找到了“Machine learning”和“Google Cloud Platform”这两个实体。

如果您检查 fullMatchingImages、partialMatchingImages 和 pagesWithMatchingImages 下的网址，会发现其中许多网址都指向本实验网站（自我参照！）。

假设您想查找贝涅饼的其他图片，但并非完全相同的图片。这时，API 响应中的 visuallySimilarImages 部分就派上用场了。以下是它找到的一些视觉效果类似的图片：

"visuallySimilarImages": [ { "url": "https://media.istockphoto.com/photos/cafe-du-monde-picture-id1063530570?k=6&m=1063530570&s=612x612&w=0&h=b74EYAjlfxMw8G-G_6BW-6ltP9Y2UFQ3TjZopN-pigI=" }, { "url": "https://s3-media2.fl.yelpcdn.com/bphoto/oid0KchdCqlSqZzpznCEoA/o.jpg" }, { "url": "https://s3-media1.fl.yelpcdn.com/bphoto/mgAhrlLFvXe0IkT5UMOUlw/348s.jpg" }, ... ]

您可以访问这些网址查看类似图片：

现在，您可能想吃块糖粉贝涅饼了（抱歉）！这与在 Google 图片中按图片搜索类似。

有了 Cloud Vision，您可以通过简单易用的 REST API 使用此功能，并将其集成到您的应用中。

任务 6. 执行人脸检测

接下来，我们来探索 Vision API 的人脸检测方法。

人脸检测方法会返回在图片中找到的人脸数据，包括人脸的情绪以及其在图片中的位置。

上传新图片

如需使用此方法，您需要将一张包含人脸的新图片上传到 Cloud Storage 存储桶。

1. 右键点击以下图片，然后选择图片另存为，将其保存到您的计算机中，命名为 selfie.png。

2. 现在，按照与之前相同的方式将图片上传到 Cloud Storage 存储桶，并将其设为公开。

点击检查我的进度，以检查您的实验进度。

将用于人脸检测的图片上传到存储桶

更新请求文件

1. 在 Cloud Shell 编辑器中的同一目录下，找到 request.json。

2. 点击工具栏上的 Gemini Code Assist：智能操作 图标。

3. 帮助更新 request.json 文件，方法是将以下提示粘贴到工具栏中打开的 Gemini Code Assist 内嵌文本字段中。

Update the JSON file request.json to achieve three specific changes: * Update the gcsImageUri value from donuts.png to selfie.png. * Replace the existing features array with two new feature types: FACE_DETECTION and LANDMARK_DETECTION. * Don't want maxResults result.

4. 如需提示 Gemini Code Assist 按要求修改代码，请按 Enter 键。

5. 在 Gemini Diff 视图中看到提示时，点击应用所有更改。

更新后的请求文件应如下所示：

{ "requests": [ { "image": { "source": { "gcsImageUri": "gs://{{{project_0.project_id | PROJECT_ID}}}-bucket/selfie.png" } }, "features": [ { "type": "FACE_DETECTION" }, { "type": "LANDMARK_DETECTION" } ] } ] }

调用 Vision API 并解析响应

1. 在 Cloud Shell 终端中，运行以下 curl 命令来调用 Cloud Vision API：

curl -s -X POST -H "Content-Type: application/json" --data-binary @request.json https://vision.googleapis.com/v1/images:annotate?key=${API_KEY}

2. 查看响应中的 faceAnnotations 对象。请注意，该 API 会为图片中找到的每张人脸返回一个对象，在这里一共是三个对象。以下是响应的精简版本：

{ "faceAnnotations": [ { "boundingPoly": { "vertices": [ { "x": 669, "y": 324 }, ... ] }, "fdBoundingPoly": { ... }, "landmarks": [ { "type": "LEFT_EYE", "position": { "x": 692.05646, "y": 372.95868, "z": -0.00025268539 } }, ... ], "rollAngle": 0.21619819, "panAngle": -23.027969, "tiltAngle": -1.5531756, "detectionConfidence": 0.72354823, "landmarkingConfidence": 0.20047489, "joyLikelihood": "LIKELY", "sorrowLikelihood": "VERY_UNLIKELY", "angerLikelihood": "VERY_UNLIKELY", "surpriseLikelihood": "VERY_UNLIKELY", "underExposedLikelihood": "VERY_UNLIKELY", "blurredLikelihood": "VERY_UNLIKELY", "headwearLikelihood": "VERY_LIKELY" } ... } }

• boundingPoly 提供图片中人脸周围的 x、y 坐标。
• fdBoundingPoly 是一个比 boundingPoly 更小的框，专注于人脸的皮肤部分。
• landmarks 是每个人脸特征的对象数组，其中有些可能连您都不知道。这会告诉我们重要部位的类型，以及该特征的 3D 位置（x、y、z 坐标），其中 z 坐标代表深度。其余值则提供了更详细的人脸信息，包括人带有喜悦、悲伤、愤怒和惊奇等情绪的可能性。

您看到的这段响应描述的是图片中站得最靠后的那个人，他做着鬼脸，这解释了 joyLikelihood 为 LIKELY 的原因。

任务 7. 执行地标注解

地标检测可以识别常见的（和模糊的）地标。它会返回地标的名称、经纬度坐标以及图片中识别出该地标的位置。

上传新图片

如需使用此方法，您需要将新图片上传到 Cloud Storage 存储桶。

1. 右键点击以下图片，然后选择图片另存为，将其保存到您的计算机中，命名为 city.png。

引用来源：俄罗斯莫斯科圣巴西尔大教堂（2019 年 12 月 19 日），拍摄者：Adrien Wodey，作品发布于免费媒体资源库 Unsplash。检索自 https://unsplash.com/photos/multicolored-dome-temple-yjyWCNx0J1U。此文件已获得 Unsplash 许可授权。

2. 现在，按照与之前相同的方式将图片上传到 Cloud Storage 存储桶，并将其设为公开。

点击检查我的进度，以检查您的实验进度。

将用于地标注解的图片上传到存储桶

更新请求文件

• 接下来，使用以下内容更新 request.json 文件（其中包含新图片的网址），并使用地标检测功能：

{ "requests": [ { "image": { "source": { "gcsImageUri": "gs://{{{project_0.project_id | PROJECT_ID}}}-bucket/city.png" } }, "features": [ { "type": "LANDMARK_DETECTION", "maxResults": 10 } ] } ] }

调用 Vision API 并解析响应

1. 在 Cloud Shell 终端中，运行以下 curl 命令来调用 Cloud Vision API：

curl -s -X POST -H "Content-Type: application/json" --data-binary @request.json https://vision.googleapis.com/v1/images:annotate?key=${API_KEY}

2. 查看响应中的 landmarkAnnotations 部分：

"landmarkAnnotations": [ { "mid": "/m/0hm_7", "description": "Red Square", "score": 0.8557956, "boundingPoly": { "vertices": [ {}, { "x": 503 }, { "x": 503, "y": 650 }, { "y": 650 } ] }, "locations": [ { "latLng": { "latitude": 55.753930299999993, "longitude": 37.620794999999994 } ...

Cloud Vision API 能够识别出照片的拍摄地点，并提供该地点的地图坐标（俄罗斯莫斯科红场圣巴西尔大教堂）。

此响应中的值应与上面的 labelAnnotations 响应类似：

• 地标的 mid
• 名称 (description)
• 置信度 score
• boundingPoly 显示了图片中识别出该地标的区域。
• locations 键为我们提供了图片的纬度和经度坐标。

任务 8. 执行对象本地化

Vision API 可以使用对象本地化功能检测并提取图片中的多个对象。对象本地化功能可识别图片中的多个对象，并为图片中的每个对象提供一个 LocalizedObjectAnnotation。每个 LocalizedObjectAnnotation 都会识别对象相关信息、对象位置，以及包含该对象的图片区域的矩形边界。

对象本地化功能可识别图片中显眼和不太显眼的对象。

对象信息仅以英文形式返回。Cloud Translation 可以将英文标签翻译成各种其他语言。

如需使用此方法，您需要使用互联网上的现有图片并更新 request.json 文件。

更新请求文件

• 使用以下内容更新 request.json 文件（其中包含新图片的网址），并使用对象本地化功能。

{ "requests": [ { "image": { "source": { "imageUri": "https://cloud.google.com/vision/docs/images/bicycle_example.png" } }, "features": [ { "maxResults": 10, "type": "OBJECT_LOCALIZATION" } ] } ] }

调用 Vision API 并解析响应

1. 在 Cloud Shell 终端中，运行以下 curl 命令来调用 Cloud Vision API：

curl -s -X POST -H "Content-Type: application/json" --data-binary @request.json https://vision.googleapis.com/v1/images:annotate?key=${API_KEY}

2. 接下来，查看响应的 localizedObjectAnnotations 部分：

{ "responses": [ { "localizedObjectAnnotations": [ { "mid": "/m/01bqk0", "name": "Bicycle wheel", "score": 0.89648587, "boundingPoly": { "normalizedVertices": [ { "x": 0.32076266, "y": 0.78941387 }, { "x": 0.43812272, "y": 0.78941387 }, { "x": 0.43812272, "y": 0.97331065 }, { "x": 0.32076266, "y": 0.97331065 } ] } }, { "mid": "/m/0199g", "name": "Bicycle", "score": 0.886761, "boundingPoly": { "normalizedVertices": [ { "x": 0.312, "y": 0.6616471 }, { "x": 0.638353, "y": 0.6616471 }, { "x": 0.638353, "y": 0.9705882 }, { "x": 0.312, "y": 0.9705882 } ] } }, ...

可以看到，Vision API 能够识别出这张图片包含一辆自行车和一个自行车轮。此响应中的值应与上面的 labelAnnotations 响应类似：对象的 mid、名称 (name)、置信度 score，以及 boundingPoly（显示了图片中识别出该对象的区域）。

此外，boundingPoly 还包含一个 normalizedVertices 键，用于提供图片中对象的坐标。这些坐标经过归一化处理，范围为 0 到 1，其中 0 代表图片左上角，1 代表图片右下角。

太棒了！您已成功使用 Vision API 分析图片并提取有关其中对象的信息。

任务 9. 探索 Vision API 的其他方法

您已了解 Vision API 的标签检测、人脸检测、地标检测和对象本地化方法，但还有三种方法尚未探索。请深入阅读方法：images.annotate 文档，了解其他三种方法：

• 徽标检测：识别图片中的常见徽标及其在图片中的位置。
• 安全搜索检测：确定图片是否包含露骨内容。这对任何包含用户生成内容的应用都很有用。您可以根据四个因素过滤图片：成人、医疗、暴力和仿冒内容。
• 文本检测：通过运行 OCR 来从图片中提取文本。此方法甚至可以识别图片中的文本所用的语言。

恭喜！

您已了解如何使用 Vision API 分析图片。在本实验中，您向该 API 传递了不同图片的 Cloud Storage 网址，该 API 返回了在图片中找到的标签、人脸、地标和对象。您还可以向该 API 传递图片的 base64 编码字符串；如果您想分析存储在数据库或内存中的图片，这会非常有用。

后续步骤/了解详情

• 查看文档中的 Cloud Vision API 教程
• 在 GitHub 上查找用您偏好的语言编写的 Cloud Vision API 示例
• 查看使用 Natural Language API 进行实体和情感分析实验。

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

本手册的最后更新时间：2025 年 10 月 14 日

本实验的最后测试时间：2025 年 10 月 14 日

版权所有 2025 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。