圖片說明文字

imagetext 是支援圖片說明文字的模型名稱。imagetext 會根據您指定的語言，從您提供的圖片產生字幕。這個模型支援以下語言：英文 (en)、德文 (de)、法文 (fr)、西班牙文 (es) 和義大利文 (it)。

如要在控制台中探索這個模型，請參閱 Model Garden 中的 Image Captioning 模型資訊卡。

查看為說明文字和 VQA 模型建立的 Imagen 資訊卡

用途

圖片標題的常見用途包括：

  • 創作者可以為上傳的圖片和影片產生字幕 (例如，影片序列的簡短說明)
  • 產生說明產品的字幕
  • 使用 API 將字幕與應用程式整合，打造全新體驗

HTTP 要求

POST https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/publishers/google/models/imagetext:predict

要求主體

{
  "instances": [
    {
      "image": {
        // Union field can be only one of the following:
        "bytesBase64Encoded": string,
        "gcsUri": string,
        // End of list of possible types for union field.
        "mimeType": string
      }
    }
  ],
  "parameters": {
    "sampleCount": integer,
    "storageUri": string,
    "language": string,
    "seed": integer
  }
}

請為 Imagen 模型 imagetext 使用下列參數。詳情請參閱「使用圖像說明生成功能產生圖像說明文字」。

參數 說明 可接受的值
instances 陣列，其中包含要取得資訊的物件，其中包含圖片詳細資料。 陣列 (允許 1 個圖片物件)
bytesBase64Encoded 要加上說明文字的圖片。 Base64 編碼的圖片字串 (PNG 或 JPEG，大小上限 20 MB)
gcsUri 圖片的 Cloud Storage URI，用於標題。 Cloud Storage 中圖片檔案的字串 URI (PNG 或 JPEG，大小上限 20 MB)
mimeType (非必要) 您指定圖片的 MIME 類型。 字串 (image/jpeg 或 image/png)
sampleCount 產生的文字字串數量。 Int 值：1-3
seed (非必要) 隨機號碼產生器 (RNG) 的種子。如果 RNG 種子與輸入內容的請求相同，預測結果也會相同。 整數
storageUri (非必要) 儲存產生文字回應的 Cloud Storage 位置。 字串
language (非必要) 用於引導回應的文字提示。 字串：en (預設)、de、fr、it、es

要求範例

REST

如要使用 Vertex AI API 測試文字提示，請將 POST 要求傳送至發布者模型端點。

使用任何要求資料之前，請先替換以下項目：

  • PROJECT_ID：您的 Google Cloud 專案 ID。
  • LOCATION：專案所在的區域。例如 us-central1、europe-west2 或 asia-northeast3。如需可用區域的清單，請參閱「Vertex AI 生成式 AI 位置」。
  • B64_IMAGE：要取得字幕的圖片。圖片必須以 base64 編碼的位元組字串形式指定。大小限制：10 MB。
  • RESPONSE_COUNT：要產生的圖片標題數量。可接受的整數值：1 到 3。
  • LANGUAGE_CODE：支援的語言代碼之一。支援的語言：
    • 英文 (en)
    • 法文 (fr)
    • 德文 (de)
    • 義大利文 (it)
    • 西班牙文 (es)

HTTP 方法和網址：

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict

JSON 要求主體：

{
  "instances": [
    {
      "image": {
          "bytesBase64Encoded": "B64_IMAGE"
      }
    }
  ],
  "parameters": {
    "sampleCount": RESPONSE_COUNT,
    "language": "LANGUAGE_CODE"
  }
}

如要傳送要求，請選擇以下其中一個選項：

curl

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict"

PowerShell

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict" | Select-Object -Expand Content
以下回應範例適用於含有 "sampleCount": 2 的要求。回應會傳回兩個預測字串。

英文 (en)：

{
  "predictions": [
    "a yellow mug with a sheep on it sits next to a slice of cake",
    "a cup of coffee with a heart shaped latte art next to a slice of cake"
  ],
  "deployedModelId": "DEPLOYED_MODEL_ID",
  "model": "projects/PROJECT_ID/locations/LOCATION/models/MODEL_ID",
  "modelDisplayName": "MODEL_DISPLAYNAME",
  "modelVersionId": "1"
}

西班牙文 (es)：

{
  "predictions": [
    "una taza de café junto a un plato de pastel de chocolate",
    "una taza de café con una forma de corazón en la espuma"
  ]
}

回應主體

{
  "predictions": [ string ]
}
回應元素 說明
predictions 代表字幕的文字字串清單，依可信度排序。

回應範例

{
  "predictions": [
    "text1",
    "text2"
  ]
}