Google Cloud Vision APIKlasický API pro analýzu obrazu v cloudu pro OCR, označování obrazů, detekci tváře a zemětřesení, a moderaci obsahu.

Google Cloud Vision API je vyspělá cloudová služba, která umožňuje vývojářům integrovat pokročilé možnosti analýzy obrazu do svých aplikací pomocí rozhraní REST a RPC API. Využitím předem vyškolených modelů strojového učení od společnosti Google služba eliminuje potřebu, aby organizace navrhovaly, trénovaly a hostovaly své vlastní modely počítačového vidění pro standardní úlohy klasifikace a detekce. Slouží jako dostupný vstupní bod pro přidání vizuální inteligence do softwaru s minimálními znalostmi strojového učení. Služba je primárně navržena pro vývojáře, systémové architekty a podniky, které vytvářejí software vyžadující automatické vizuální třídění, přepis nebo moderování. Je vysoce všestranná a nachází se uplatnění v správě digitálních aktiv, katalogizaci e-commerce, automatickém zadávání dokumentů a platformách pro uživatelsky generovaný obsah. Protože je součástí ekosystému Google Cloud, přirozeně se integruje s službami Google Cloud Storage, Cloud Functions a dalšími službami GCP, aby vytvořila kompletní serverless pipelines. V jeho jádru provádí Vision API několik různých typů analýz. Poskytuje robustní optické rozpoznávání znaků (OCR) pro extrahování tištěného a ručně psaného textu z obrázků. Může také identifikovat široké kategorie objektů pomocí označování obrázků, lokalizovat oblíbené pamětihodnosti a loga značek, detekovat obličeje (včetně základních emočních stavů, nikoli však individuální identity) a analyzovat vlastnosti obrázků, jako jsou dominantní barvy. Pro bezpečnost platformy jeho funkce Safe Search označuje explicitní obsah, včetně dospělého, násilného nebo lékařského obsahu, aby pomohla s moderací obsahu. Přestože je velmi schopný pro obecné úkoly, měly by vývojáři rozlišovat Vision API od jiných specializovaných nabídek v katalogu Google. Například organizace, které zpracovávají složité dokumenty s hierarchickými poli, by měly využít Document AI, který kombinuje počítačové vidění s zpracováním přirozeného jazyka. Podobně by ty, které vyžadují časovou analýzu pohybu, měly použít Video Intelligence API, zatímco generativní úkoly, jako je syntéza obrazu, jsou směrovány přes Imagen na Gemini Enterprise. Jednou z hlavních předností služby Vision API je jeho obrovská škálovatelnost a spolehlivost, podpořená globální infrastrukturou společnosti Google. Nicméně, jednou z významných omezení je jeho předtrénovaná, statická povaha; vývojáři nemohou snadno přizpůsobit základní modely pro vysoce specializované nebo úzce specifické klasifikace domén bez přechodu na vlastní platformy strojového učení. Kromě toho, protože fakturace je vypočítávána za funkci aplikovanou na obrázek, mohou se nákladové struktury stát složitými k předpovědi při vysokých objemech při současném požadavku na více typů detekce.