Google Cloud Visionは、APIから使える事前学習済みの画像分析機能の集まりです。画像を送ると、写っているものを説明するラベルを返し、物体とその位置を検出し、印刷された文字と手書きの文字を読み、ランドマークとロゴを識別し、個人を特定せずに顔と表情を検出し、SafeSearchで露骨な内容に印を付けます。1枚の画像も、スキャンした文書を含むバッチも処理します。
主な用途は、写真ライブラリの索引付け、レシートや看板からの文字の取り出し、アップロードされた画像のモデレーション、画像による検索です。より専門的な用途には別の製品があり、帳票にはDocument AI、カスタムモデルにはVertex AI、画像をより詳しく説明し推論できる新しいマルチモーダルのGeminiモデルがあります。商品検索の機能は、小売業者が写真をカタログと突き合わせるのに役立ちます。
料金は画像ごと、機能ごとで、毎月の無料枠があります。従来のAPIは単純ですが、マルチモーダルモデルほど柔軟ではなく、理解が必要な作業では開発者がGeminiを選ぶことが増えています。顔検出にはプライバシーへの配慮が必要です。代替にはAmazon Rekognition、Azure AI Vision、Clarifai、オープンソースのモデルがあります。Google Cloud Visionは、分かりやすく、規模を広げやすい画像分析サービスを求める開発者に向きます。
