Principali strumenti di riconoscimento immagini a confronto
Abbiamo valutato le prestazioni nel mondo reale dei principali strumenti cloud di riconoscimento immagini per attività di rilevamento oggetti, testandone le configurazioni predefinite API su 5 classi con 100 immagini. Ciò ha incluso il confronto delle prestazioni, l'analisi delle funzionalità e il paragone delle offerte di servizio in relazione ai prezzi.
Risultati del benchmark
Panoramica delle prestazioni a IoU=0,5
Le metriche di prestazione per tre piattaforme di riconoscimento immagini sono state valutate con una soglia di Intersection over Union (IoU) pari a 0,5, confrontando i valori di mAP, punteggio F1, richiamo e precisione. Mentre tutte le piattaforme hanno raggiunto tassi di precisione superiori all'89%, questa metodologia di valutazione ha rivelato differenze significative nelle loro prestazioni di richiamo e in altre metriche di valutazione.
Il mAP (precisione media) è la metrica principale da considerare per le attività di rilevamento oggetti, poiché fornisce una misura completa della qualità del rilevamento attraverso diverse soglie di confidenza e classi di oggetti.
Puoi leggere di più sulle metriche.
Precisione media per classe (AP) a IoU=0,5
Amazon Rekognition, Google Cloud Vision e Microsoft Azure AI Vision dimostrano tutti buone capacità di rilevamento delle persone ma hanno difficoltà nell'identificazione degli equipaggiamenti di protezione. La precisione diminuisce notevolmente per i caschi su tutte le piattaforme.
Mentre Amazon e Google mostrano una bassa precisione nel rilevamento di guanti e cappelli, Microsoft Azure AI Vision raggiunge una precisione dello 0% per entrambe le categorie. È importante notare che Azure AI Vision non rileva oggetti piccoli (meno del 5% dell'immagine) o disposti molto vicini tra loro, il che potrebbe contribuire alla bassa precisione osservata nel rilevamento di guanti e cappelli.1
Nessuno dei servizi riesce a rilevare con successo le maschere (precisione 0%), evidenziando una lacuna critica nelle loro capacità di riconoscimento oggetti quando vengono utilizzati con impostazioni predefinite senza etichettatura personalizzata.
Puoi leggere di più sulle limitazioni del riconoscimento immagini.
mAP a diverse soglie IoU [0,5:0,05:0,95]
Le prestazioni di Precisione Media (mAP) di Amazon Rekognition, Google Cloud Vision e Microsoft Azure AI Vision variano notevolmente al crescere della soglia di Intersection over Union (IoU) da 0,5 a 0,95. Amazon Rekognition mantiene prestazioni più elevate in tutto l'intervallo di valutazione, con tutti e tre i servizi che mostrano il previsto calo di precisione man mano che i criteri di rilevamento diventano più rigorosi.
Possibili fattori che influenzano le differenze di prestazione
Le differenze nei risultati del benchmark tra Amazon Rekognition, Google Cloud Vision e Microsoft Azure AI Vision possono essere spiegate da diversi fattori interconnessi legati alla progettazione del modello, al focus del prodotto e alla metodologia di valutazione. Queste differenze non riflettono necessariamente una superiorità generale del modello, ma piuttosto come ciascun servizio è ottimizzato ed esposto attraverso API predefinite.
Focus della formazione del modello e ambito del prodotto
- Amazon Rekognition include capacità dedicate relative ai DPI, che probabilmente portano a una migliore copertura formativa e rappresentazioni delle caratteristiche per oggetti come caschi e guanti.
- Google Cloud Vision e Azure AI Vision danno priorità a compiti generali di comprensione delle immagini (ad es. OCR, punti di riferimento, marchi, rilevamento web), rendendo i DPI e oggetti simili secondari nei loro obiettivi di formazione.
- Queste differenze si allineano al mAP più elevato di Amazon Rekognition e alle prestazioni più stabili attraverso soglie IoU più rigorose.
Configurazione predefinita API e compromessi tra precisione e richiamo
- Tutti i servizi sono stati valutati utilizzando impostazioni predefinite, che tipicamente privilegiano un'elevata precisione per ridurre al minimo i falsi positivi.
- Questa scelta progettuale porta a punteggi di precisione elevati tra tutti i fornitori ma a un richiamo significativamente più basso, in particolare per oggetti meno evidenti.
- L'impatto è più evidente in metriche sensibili al richiamo come AP e mAP.
Limitazioni nel rilevamento di oggetti piccoli
- Oggetti come guanti, cappelli e caschi spesso occupano una piccola frazione dell'immagine, rendendoli difficili da rilevare in modo affidabile.
- Il sottocampionamento e la variabilità di scala nelle reti neurali convoluzionali riducono la sensibilità ai dettagli fini.
- Azure AI Vision, di cui si documenta un rendimento inferiore per oggetti piccoli o ravvicinati, mostra il degrado più pronunciato in queste categorie.
Tassonomia delle etichette e mappatura della valutazione
- Le etichette specifiche dei fornitori dovevano essere mappate su una tassonomia unificata di verità di riferimento.
- Rilevamenti validi utilizzando etichette non corrispondenti o più granulari potrebbero essere stati esclusi dalla valutazione.
- Questo processo di mappatura può influire negativamente sul richiamo e sulla precisione media senza indicare un vero fallimento del rilevamento.
Assenza di rilevamento maschere
- Nessuno dei servizi valutati espone etichette oggetto relative alle maschere nelle loro API predefinite.
- Di conseguenza, tutti i fornitori hanno registrato una precisione dello 0% per le maschere, riflettendo una limitazione strutturale della API piuttosto che una debolezza comparativa.
Sensibilità all'IoU e qualità della localizzazione
- Le differenze di prestazione aumentano a soglie IoU più elevate, dove è richiesto un allineamento più rigoroso dei riquadri di delimitazione.
- Amazon Rekognition mantiene un mAP relativamente più elevato a queste soglie, suggerendo una maggiore accuratezza di localizzazione.
Metodologia
Abbiamo testato le prestazioni "fuori dagli scaffali" (cioè senza etichettatura personalizzata) di questi fornitori in casi reali.
Abbiamo utilizzato 100 immagini. Abbiamo ridimensionato le immagini a 512×512 pixel mantenendo le regioni essenziali contenenti le istanze, poiché il dataset originale comprendeva dimensioni variabili.
Vogliamo ripetere questo test senza che i fornitori addestrino le loro soluzioni sul dataset. Pertanto, non stiamo divulgando il dataset utilizzato per questo benchmark.
Abbiamo elaborato le risposte delle API dei fornitori di servizi nel seguente modo:
- mappato le etichette dei fornitori di servizi alle categorie di verità di riferimento definite nella tabella sopra. Le etichette dei fornitori di servizi che non corrispondevano a queste etichette di verità di riferimento sono state escluse dalla valutazione.
- normalizzato i formati dei riquadri di delimitazione da diversi fornitori
- calcolato l'IoU tra i riquadri previsti e quelli di verità di riferimento
- abbinato le previsioni ai dati di verità di riferimento in base alla soglia IoU
- calcolato le metriche: precisione, richiamo, F1 e AP per categoria
- calcolato il mAP in stile COCO usando soglie da 0,5 a 0,95
Un esempio di calcolo di IoU, precisione, richiamo e F1 è mostrato nella figura qui sotto:
Metriche di benchmarking
Precisione
La precisione misura l'accuratezza delle previsioni positive effettuate dal modello. Nel riconoscimento immagini, per una data classe (ad es. "persona"), risponde alla domanda: "Di tutte le immagini che il modello ha etichettato come contenenti una persona, quante effettivamente ce l'hanno?". Questo è cruciale in scenari in cui i falsi positivi (etichettare erroneamente un'immagine come positiva) sono costosi.
Richiamo
Il richiamo misura la completezza delle previsioni positive, rispondendo alla domanda: "Di tutte le immagini che effettivamente contengono la classe, quante sono state correttamente identificate dal modello?". Questo è fondamentale quando perdere un'istanza positiva (falso negativo) è critico.
Punteggio F1
Il punteggio F1 è la media armonica di precisione e richiamo, fornendo una misura bilanciata particolarmente utile quando c'è una distribuzione diseguale delle classi (ad es. poche immagini di caschi rispetto a immagini senza casco). È una singola metrica che cattura sia falsi positivi che falsi negativi.
mAP
mAP, o precisione media, è una metrica utilizzata principalmente nei compiti di rilevamento oggetti nel riconoscimento immagini. Valuta l'accuratezza del modello attraverso diverse classi facendo la media della Precisione Media (AP) di ciascuna classe. AP stesso è l'area sotto la curva precisione-richiamo, generata variando la soglia di confidenza per i rilevamenti.
Questo strumento interattivo ti consente di confrontare i risultati di rilevamento tra i fornitori utilizzando immagini di esempio dal dataset. Usa i pulsanti in alto per selezionare Amazon, Google, Microsoft o tutti i fornitori. Attiva/disattiva la verità di riferimento con la casella di controllo. Naviga tra le immagini di test usando i pulsanti numerati a sinistra. I riquadri colorati mostrano ogni rilevamento con i punteggi di confidenza.
Migliori API di riconoscimento immagini
Amazon Rekognition
Amazon Rekognition fornisce avanzate capacità di riconoscimento immagini per analizzare immagini e dati visivi con funzionalità di rilevamento e riconoscimento facciale. Offre classificazione delle immagini, rilevamento oggetti e tagging delle immagini per l'analisi dei contenuti tramite intelligenza artificiale.
Amazon Rekognition si integra con i servizi AWS, inclusi S3, Lambda e SageMaker, supportando l'addestramento di modelli personalizzati per sviluppare i tuoi modelli personalizzati. Categorizzano le loro offerte in funzionalità Gruppo 1 e Gruppo 2:
- Le funzionalità del Gruppo 1 si concentrano sul rilevamento facciale (CompareFaces, IndexFaces, SearchFaces) per la verifica dell'identità e l'ispezione visiva dei dati facciali.
- Le funzionalità del Gruppo 2 forniscono analisi dei contenuti tramite moderazione, riconoscimento di celebrità, rilevamento del testo e capacità di rilevamento DPI per i dati delle immagini, con un'elaborazione delle immagini che mantiene la qualità dell'immagine.
Google Cloud Vision
Google Cloud Vision offre comprensione delle immagini con avanzate capacità di riconoscimento immagini per analizzare immagini ed estrarre dati visivi. La sua tecnologia OCR può identificare ed estrarre testo in più lingue, abilitando il supporto multilingue per contenuti diversi.
Il servizio funziona con i servizi Google Cloud Platform come Cloud Storage, BigQuery e Google Workspace, supportando più linguaggi di programmazione per l'integrazione. Le offerte di Google Cloud Vision includono:
- le funzionalità principali includono il riconoscimento ottico dei caratteri, il filtraggio dei contenuti, il rilevamento oggetti per ispezione visiva, l'annotazione delle immagini e il rilevamento di punti di riferimento, loghi e celebrità
- funzionalità aggiuntive includono il Rilevamento Web per trovare immagini correlate online, modelli di machine learning personalizzati per analisi specializzate e supporto per un'ampia gamma di tipi di file per immagini di varia qualità
Microsoft Azure AI Vision
Microsoft Azure AI Vision fornisce capacità di analisi delle immagini per analizzare immagini ed estrarre dati visivi. Offre riconoscimento ottico dei caratteri (OCR) con supporto multilingue per l'elaborazione del testo in più lingue.
Parte dei Azure Cognitive Services, si integra con Azure Storage, Azure Functions e Power Platform. Microsoft categorizza le sue offerte in funzionalità Gruppo 1 e Gruppo 2:
- Le funzionalità del Gruppo 1 si concentrano sul rilevamento di elementi visivi per classificare immagini, inclusi volti, oggetti, marchi, punti di riferimento e ritaglio delle immagini.
- Il Gruppo 2 offre funzioni di descrizione delle immagini, lettura del testo e generazione di didascalie che funzionano in più lingue.
Microsoft offre anche Rimozione Sfondo (anteprima), un servizio separato gratuito che utilizza un'elaborazione avanzata delle immagini per rimuovere automaticamente gli sfondi dalle immagini.
Caratteristiche distintive dei fornitori di servizi
Panoramica prezzi API
Aggiungi come fonte preferitaEdge computing nel riconoscimento immagini
Il riconoscimento immagini tradizionale si basa su server cloud. Catturi un'immagine, la carichi nei data center di AWS o di Google, attendi l'elaborazione e ricevi i risultati. L'edge computing esegue i modelli di intelligenza artificiale direttamente sul dispositivo che cattura l'immagine, eliminando il viaggio di andata e ritorno verso server lontani.
Come funziona l'edge computing
Il cambiamento fondamentale riguarda dove si trova il "cervello" del tuo sistema di riconoscimento immagini. Nelle architetture cloud, le telecamere intelligenti sono essenzialmente solo dei raccoglitori di dati. Catturano fotogrammi e li inviano in alto per l'analisi. L'intelligenza risiede in data center lontani.
L'edge computing inverte questo modello. La telecamera stessa diventa intelligente, dotata di processori in grado di eseguire reti neurali in locale. Invece di trasmettere video grezzo, questi dispositivi analizzano ciò che vedono sul posto e comunicano solo informazioni rilevanti: un avviso che è stata rilevata una persona, una notifica che le scorte sono basse o un segnale che è stato trovato un difetto del prodotto.
Non si tratta semplicemente di velocità. È una ripensamento fondamentale dell'architettura del sistema, passando da "cattura tutto, analizza dopo" a "analizza immediatamente, segnala ciò che conta".
Perché è importante per il riconoscimento immagini
Velocità: L'AI edge elabora i dati dove vengono generati, consentendo decisioni in frazioni di secondo. I veicoli autonomi e i robot di produzione non possono permettersi di aspettare i viaggi di andata e ritorno al cloud. Hanno bisogno di risultati abbastanza rapidi da agire immediatamente.
Privacy: L'elaborazione in locale significa che i dati sensibili non devono raggiungere server remoti. Le radiografie degli ospedali rimangono negli ospedali, le riprese al dettaglio rimangono nei negozi. Questo è fondamentale per la conformità al GDPR e ai regolamenti sulla privacy.
Efficienza dei costi: L'edge computing elimina l'invio di intere immagini a server centrali. Viene trasmessa solo l'informazione essenziale. Invece di trasmettere ore di video al cloud, i dispositivi inviano solo avvisi o metadati rilevanti.
Affidabilità: I sistemi continuano a funzionare quando le reti falliscono. I dispositivi edge operano in modo indipendente, garantendo un funzionamento continuo indipendentemente dalla connettività internet. Questo è fondamentale per i sistemi di sicurezza e le applicazioni industriali.
Vision transformer nel riconoscimento immagini
Il riconoscimento immagini richiede la comprensione del contesto, riconoscendo come elementi distanti in un'immagine si relazionano tra loro. I modelli tradizionali elaborano le immagini pixel per pixel, scansionando piccoli intorni e costruendo gradualmente la comprensione attraverso strati. I Vision Transformer dividono le immagini in blocchi di dimensioni fisse (come blocchi di 16×16 pixel) e analizzano tutti i blocchi contemporaneamente per catturare il contesto globale dal primo livello di elaborazione.
Questo cambiamento è importante per l'accuratezza. Invece di elaborare singoli pixel in isolamento, ViT esamina come tutti i blocchi dell'immagine si relazionano tra loro contemporaneamente. Nell'imaging medico, i ViT correlano sottili cambiamenti in un'area del tessuto con anomalie in parti distanti, identificando modelli che potrebbero apparire benigni quando visti in isolamento.
Gli strumenti cloud di riconoscimento immagini che abbiamo testato si basano ancora principalmente su modelli basati su CNN per il deployment in produzione. Queste architetture consolidate offrono un'affidabile rilevamento e classificazione degli oggetti nella maggior parte dei casi d'uso. Tuttavia, man mano che i modelli di visione evolvono, stanno emergendo approcci ibridi che combinano l'efficienza tradizionale con la comprensione globale basata su Transformer per compiti che richiedono un contesto completo dell'immagine.
Modelli di vision transformer per il riconoscimento immagini
Google Vision Transformer (ViT): Il modello originale di Vision Transformer addestrato su ImageNet per la classificazione delle immagini. Disponibile tramite Hugging Face con versioni pre-addestrate pronte per il deployment o il fine-tuning.
Swin Transformer: Utilizza un'elaborazione gerarchica e un meccanismo di finestra spostata per comprendere sia il contesto globale dell'immagine che i dettagli locali. Funziona bene per compiti di rilevamento oggetti e segmentazione delle immagini.
DINOv2 (Meta AI): Modello auto-sorvegliato che impara da immagini non etichettate senza bisogno di annotazioni umane. Produce rappresentazioni delle immagini che funzionano in diversi compiti di riconoscimento.
Segment Anything Model (SAM): Utilizza ViT per identificare e separare oggetti nelle immagini. Può riconoscere e segmentare oggetti che non è stato specificamente addestrato a riconoscere.
Casi d'uso del software di riconoscimento immagini
Nel panorama digitale attuale, la visione artificiale e le tecnologie di elaborazione delle immagini hanno trasformato il modo in cui le aziende sfruttano i dati visivi. Algoritmi avanzati di classificazione delle immagini abilitano sofisticati strumenti di riconoscimento immagini che stanno ridefinendo le operazioni in diversi settori.
Queste tecnologie di riconoscimento immagini combinano approcci potenti di addestramento dei modelli con interfacce intuitive che consentono agli utenti di automatizzare compiti visivi complessi. Da soluzioni di visione personalizzate per esigenze aziendali specifiche a sistemi di riconoscimento facciale per la sicurezza, questi strumenti possono identificare modelli, oggetti e caratteristiche all'interno delle immagini.
Ispezione visiva
Il riconoscimento immagini abilita l'ispezione visiva automatizzata in diversi settori. Questi sistemi identificano oggetti, rilevano caratteristiche e verificano la compatibilità analizzando i dati visivi.
Ad esempio, Chamberlain Group ha implementato Amazon Rekognition nella sua app myQ, consentendo agli utenti di catturare automaticamente immagini del loro apriporta garage per verificare la compatibilità. Questa soluzione semplificata ha sostituito un processo manuale complesso e aumentato significativamente i tassi di connessione degli utenti.2
Elaborazione documenti
La tecnologia OCR estrae testo da immagini e documenti, automatizzando l'inserimento dati in più lingue. I sistemi moderni possono elaborare testo manoscritto e layout complessi, trasformando flussi di lavoro basati su carta e rendendo i documenti ricercabili.
Ad esempio, il gruppo assicurativo francese LSA Courtage utilizza Google Cloud Vision API per riconoscere testo da patenti e documenti di registrazione. Questa implementazione OCR ha ridotto del 45% il tempo di elaborazione dei documenti per pagina e aumentato la produttività degli underwriter del 20%, consentendo loro di elaborare 1.500 documenti al giorno.3
Puoi controllare il nostro benchmark OCR per vedere l'accuratezza dei vari strumenti OCR per diversi tipi di documenti.
Monitoraggio agricolo
Gli agricoltori utilizzano immagini da droni con riconoscimento immagini per monitorare la salute delle colture, rilevare malattie e ottimizzare l'irrigazione. Identificando aree di stress delle colture prima che appaiano sintomi visibili, gli agricoltori possono intervenire precocemente e ridurre l'uso delle risorse.
Ad esempio, il Progetto FarmBeats di Microsoft (ora Azure Data Manager for Agriculture) utilizza sensori, droni e machine learning per abilitare un'agricoltura basata sui dati in ambienti con potenza e connettività internet limitate. Il sistema aiuta ad aumentare la produttività agricola e ridurre i costi combinando dati visivi con la conoscenza degli agricoltori sul loro terreno.4
Sicurezza e videosorveglianza
I sistemi di sicurezza utilizzano il riconoscimento facciale e il rilevamento oggetti per identificare attività, controllare l'accesso e localizzare persone. Questi sistemi monitorano flussi video e avvisano il personale di minacce. Ad esempio, Sun Finance utilizza Amazon Rekognition per verificare l'identità del cliente confrontando selfie con documenti d'identità, velocizzando la verifica e prevenendo frodi mentre espande l'inclusione finanziaria.5
Moderazione contenuti
Le piattaforme di social media utilizzano il riconoscimento immagini e la didascalia delle immagini per filtrare contenuti inappropriati. Questi sistemi identificano rapidamente immagini problematiche, generano automaticamente didascalie descrittive per l'analisi dei contenuti e rendono possibile la moderazione su larga scala dei contenuti generati dagli utenti.
Ad esempio, CoStar Group utilizza Amazon Rekognition per la moderazione dei contenuti e l'analisi video di circa 150.000 caricamenti giornalieri di immagini e video sulla loro piattaforma immobiliare commerciale. Questa soluzione di moderazione dei contenuti analizza le immagini, classifica i contenuti, rileva materiale indesiderato e sfrutta la tecnologia di didascalia delle immagini per comprendere il contesto, risparmiando tempo e garantendo conformità e dati di alta qualità.6
Puoi leggere di più sulle applicazioni del riconoscimento immagini.
Limitazioni della tecnologia di riconoscimento immagini
Riduzione dei dettagli negli oggetti piccoli
Quando gli oggetti appaiono piccoli nelle immagini, contengono meno pixel, risultando in dati visivi limitati. Inoltre, le CNN tendono a perdere dettagli fini importanti durante l'elaborazione attraverso strati di sottocampionamento, il che ostacola notevolmente le capacità di rilevamento.
Rilevamenti mancati
I sistemi di riconoscimento immagini tendono tipicamente a favorire oggetti più grandi durante le fasi di addestramento e analisi, risultando in una frequenza più alta di oggetti piccoli mancati o falsi negativi.
Interferenza di sfondo
Gli oggetti più piccoli sono più vulnerabili all'essere oscurati da rumore visivo, confusione di sfondo o elementi sovrapposti, rendendoli più difficili da identificare con precisione. Anche un'occlusione parziale può influire in modo sproporzionato sugli oggetti piccoli, poiché hanno un'area distinguibile più piccola fin dall'inizio.
Variabilità di scala
Gli oggetti che appaiono a distanze o scale diverse pongono difficoltà ai modelli non specificamente progettati per rilevare dettagli fini attraverso dimensioni variabili degli oggetti.
Richieste computazionali
Le tecniche per migliorare il rilevamento di oggetti piccoli, come l'estrazione di caratteristiche multiscala o ingressi ad alta risoluzione, richiedono più potenza di elaborazione, limitando l'applicabilità in tempo reale.
Pregiudizio di addestramento
I dataset spesso sottorappresentano oggetti piccoli o mancano di annotazioni sufficienti per essi, riducendo la capacità generalizzazione del modello a tali casi negli scenari reali.
FAQ
Il software di riconoscimento immagini è un tipo di tecnologia di visione artificiale che utilizza algoritmi di machine learning per analizzare dati non strutturati come immagini digitali e video. Va oltre l'identificazione semplice di oggetti specifici; i sistemi avanzati mirano alla comprensione della scena, interpretando il contesto e le relazioni all'interno di un'immagine per fornire un'analisi più completa. Ciò consente ai computer di vedere e classificare informazioni visive in modo efficace.
Nessun singolo software di riconoscimento immagini o software di visione artificiale è universalmente il migliore. La scelta ideale tra le tecnologie di riconoscimento immagini dipende dalle tue esigenze specifiche. Considera fattori come l'accuratezza richiesta, il tipo di compiti che devi eseguire (come il rilevamento oggetti o OCR, e anche considerando se hai bisogno di integrare con l'elaborazione del linguaggio naturale per compiti che combinano la comprensione delle immagini con l'analisi del testo), facilità d'uso, scalabilità, budget, opzioni di personalizzazione e l'esperienza tecnica del tuo team. Provare diverse opzioni è il modo migliore per trovare le tecnologie di riconoscimento immagini che forniscono al meglio le capacità di visione artificiale di cui hai bisogno per la tua applicazione.
Sebbene il riconoscimento immagini sia migliorato notevolmente, l'accuratezza non è garantita. I fattori che influenzano le prestazioni includono la qualità dell'immagine (illuminazione, risoluzione), la complessità della scena, le variazioni nell'aspetto degli oggetti e la qualità dei dati di addestramento utilizzati per gli algoritmi di deep learning. Raggiungere una comprensione della scena robusta e rilevare con precisione oggetti specifici può essere difficile in dati visivi complessi o rumorosi.
Link esterni
Cita questo benchmark
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Principali strumenti di riconoscimento immagini a confronto}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/image-recognition-software}},
note = {AIMultiple. Consultato il 17 Giugno 2026}
}Collegamenti di riferimento
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.