Google Cloud Vision APIChmurowe API do analizy obrazów, umożliwiające OCR, etykietowanie obrazów, wykrywanie twarzy i punktów orientacyjnych oraz moderację treści.

Google Cloud Vision API jest dojrzałą, chmurową usługą, która pozwala programistom integrować zaawansowane możliwości analizy obrazów w swoich aplikacjach za pomocą interfejsów REST i RPC. Wykorzystując wstępnie wytrenowane modele uczenia maszynowego Google, API eliminuje konieczność projektowania, trenowania i hostowania własnych modeli widzenia komputerowego do standardowych zadań klasyfikacji i wykrywania. Stanowi łatwo dostępny punkt wejścia do dodawania inteligencji wizualnej do oprogramowania przy minimalnej wiedzy z zakresu uczenia maszynowego. Usługa jest skierowana głównie do programistów, architektów systemów i przedsiębiorstw budujących oprogramowanie wymagające automatycznego sortowania, transkrypcji lub moderacji obrazu. Jest bardzo wszechstronna, znajdując zastosowanie w zarządzaniu zasobami cyfrowymi, katalogowaniu e‑commerce, automatycznym wprowadzaniu dokumentów oraz platformach z treściami generowanymi przez użytkowników. Jako część ekosystemu Google Cloud, integruje się naturalnie z Google Cloud Storage, Cloud Functions oraz innymi usługami GCP, tworząc kompletne, bezserwerowe potoki. W swojej istocie Vision API wykonuje kilka odrębnych rodzajów analizy. Zapewnia solidne rozpoznawanie znaków (OCR) w celu wyodrębnienia drukowanego i odręcznego tekstu z obrazów. Potrafi także identyfikować szerokie kategorie obiektów poprzez etykietowanie obrazów, lokalizować znane punkty orientacyjne i logotypy marek, wykrywać twarze (w tym podstawowe stany emocjonalne, ale nie tożsamość osoby) oraz analizować właściwości obrazu, takie jak dominujące kolory. Dla bezpieczeństwa platformy funkcja Safe Search oznacza treści explicite, w tym obrazy o charakterze pornograficznym, przemocowym lub medycznym, wspomagając moderację treści. Choć API jest bardzo wydajne w zadaniach ogólnych, programiści powinni odróżniać Vision API od innych specjalistycznych ofert w katalogu Google. Na przykład organizacje przetwarzające skomplikowane dokumenty z hierarchicznymi polami powinny sięgnąć po Document AI, które łączy widzenie z przetwarzaniem języka naturalnego. Podobnie, wymagający analizę czasową ruchu powinni używać Video Intelligence API, a zadania generatywne, takie jak synteza obrazu, są obsługiwane przez Imagen w Gemini Enterprise. Kluczową zaletą Vision API jest ogromna skalowalność i niezawodność, wspierana przez globalną infrastrukturę Google. Jednak znaczącą ograniczeniem jest jego wstępnie wytrenowana, statyczna natura; programiści nie mogą łatwo dostosować bazowych modeli do bardzo niszowych lub specjalistycznych klasyfikacji domenowych bez przejścia na własne platformy ML. Dodatkowo, ponieważ rozliczenia są naliczane per funkcja zastosowana na obraz, struktury kosztów mogą stać się trudne do przewidzenia przy dużych wolumenach i jednoczesnym używaniu wielu typów wykrywania.