قم بإنشاء منتجات متقدمة للذكاء الاصطناعي عبر واجهة برمجة تطبيقات Python المجانية
واجهات برمجة تطبيقات Python مفتوحة المصدر لتطوير التطبيقات والأنظمة مع إمكانات التعلم العميق المستقلة ورؤية الكمبيوتر.
ImageAI هي مكتبة Python مفتوحة المصدر بسيطة ولكنها قوية جدًا ومتقدمة تمنح مطوري البرامج القدرة على تطوير التطبيقات والأدوات المساعدة للبرامج مع التعلم العميق الذاتي وقدرات رؤية الكمبيوتر. تضمنت المكتبة العديد من الميزات المتقدمة المتعلقة بالتعرف على الصور ، واكتشاف الكائنات ، واكتشاف الكائنات في مقاطع الفيديو ، وتدريب نماذج التعرف المخصص ، وتحليل تغذية الفيديو والكاميرا ، والتعرف على الكائنات باستخدام النماذج.
المكتبة سهلة الاستخدام وتمكن مبرمجي البرامج من دمج إمكانات الذكاء الاصطناعي المتقدمة بسهولة في تطبيقاتهم وأنظمتهم باستخدام سطرين فقط من كود Python. هناك مكتبات أخرى يمكنها أيضًا تزويدك بميزات متعلقة بالذكاء الاصطناعي مثل Tensor Flow و OpenCV و Keras ، ولكن هذا سيتطلب منك كتابة قدر كبير من التعليمات البرمجية. من ناحية أخرى ، مع ImageAI ، ستكون هناك حاجة إلى سطرين من التعليمات البرمجية لتحقيق ذلك.
تحظى مكتبة ImageAI المجانية مفتوحة المصدر بشعبية كبيرة وقد أحبها الطلاب والباحثون والمطورون والخبراء في جميع أنحاء العالم لإنتاج منتجات وحلول ذكاء اصطناعي متقدمة بسهولة
الشروع في العمل مع ImageAI
يوصى بتثبيت ImageAI عبر pip ، يرجى تشغيل أوامر تثبيت python التالية.
قم بتثبيت ImageAI عبر النقطة
pip3 install imageai --upgradeتنبؤ الصور عبر واجهات برمجة تطبيقات Python
تمكّن مكتبة ImageAI مفتوحة المصدر مطوري البرامج من إضافة إمكانيات توقع الصور إلى تطبيقات Python الخاصة بهم باستخدام سطرين فقط من التعليمات البرمجية. تضمنت المكتبة 4 خوارزميات وأنواع نماذج مختلفة لإجراء التنبؤ بالصور ، مثل SqueezeNet و ResNet و InceptionV3 و DenseNet. يرجى تذكر أن كل من هذه الخوارزميات لها ملفات نموذجية منفصلة يحتاج المستخدمون إلى استخدامها بناءً على اختيار الخوارزمية. توفر المكتبة أيضًا سرعات تنبؤ لجميع مهام التنبؤ بالصور مثل العادي افتراضيًا ، وسريع ، وأسرع ، وأسرع.
أداء توقع الصورة عبر Python
from imageai.Classification import ImageClassification
import os
execution_path = os.getcwd()
prediction = ImageClassification()
prediction.setModelTypeAsResNet50()
prediction.setModelPath(os.path.join(execution_path, "resnet50_imagenet_tf.2.0.h5"))
prediction.loadModel()
predictions, probabilities = prediction.classifyImage(os.path.join(execution_path, "1.jpg"), result_count=5 )
for eachPrediction, eachProbability in zip(predictions, probabilities):
print(eachPrediction , " : " , eachProbability)
اكتشاف كائن الصورة في تطبيقات Python
يعد اكتشاف الكائنات تقنية رائعة لرؤية الكمبيوتر تمنح مطوري البرامج القدرة على التعرف على الكائنات وتحديد موقعها في صورة أو داخل مقطع فيديو. تضمنت مكتبة ImageAI طرقًا مفيدة جدًا لإنجاز اكتشاف الكائنات على الصور واستخراج كل كائن من الصورة. لقد قدم دعمًا لشبكات RetinaNet و YOLOv3 و TinyYOLOv3 ، مع خيارات لتحقيق أداء عالٍ ومعالجة في الوقت الفعلي.
كشف كائن الفيديو عبر Python
تمامًا مثل اكتشاف الكائنات داخل الصور ، قدمت مكتبة ImageAI طريقة قوية وسهلة للغاية لاكتشاف وتعقب الكائنات داخل مقاطع الفيديو باستخدام أوامر python. لاكتشاف كائن الفيديو بسلاسة ، تحتاج إلى تنزيل نموذج اكتشاف كائن RetinaNet أو YOLOv3 أو TinyYOLOv3. بعد التنزيل الناجح لملف نموذج اكتشاف الكائن ، يرجى نسخ ملف النموذج إلى مجلد المشروع حيث سيتم حفظ ملفات .py. نظرًا لأن اكتشاف كائن الفيديو مهمة شاملة للغاية ، يُنصح باستخدام جهاز كمبيوتر مزود بوحدة معالجة رسومات NVIDIA وإصدار GPU من Tensorflow.
كشف كائن الفيديو عبر Python
from imageai.Detection.Custom import CustomVideoObjectDetection
import os
import cv2
execution_path = os.getcwd()
camera = cv2.VideoCapture(0)
video_detector = CustomVideoObjectDetection()
video_detector.setModelTypeAsYOLOv3()
video_detector.setModelPath("hololens-ex-60--loss-2.76.h5")
video_detector.setJsonPath("detection_config.json")
video_detector.loadModel()
video_detector.detectObjectsFromVideo(camera_input=camera,
output_file_path=os.path.join(execution_path, "holo1-detected3"),
frames_per_second=20,
minimum_percentage_probability=40,
log_progress=True)
استخدام مرفق تدريب نموذج مخصص
تتيح مكتبة ImageAI مفتوحة المصدر لمطوري البرامج تدريب نماذج التنبؤ بالصور المخصصة بسهولة. يسمح للمطورين بتدريب نموذجهم الخاص على أي مجموعة من الصور تتوافق مع أي نوع من الكائنات. سيتم إنشاء ملف JSON من خلال إجراءات التدريب التي ستعمل على تعيين أنواع الكائنات في مجموعة بيانات الصورة وإنشاء الكثير من النماذج. بعد أن تصبح المهمة سهلة ، تحتاج إلى اختيار النموذج بأعلى دقة وإجراء تنبؤ بالصورة المخصصة.
تطبيق نموذج مخصص للتدريب
from imageai.Classification.Custom import ClassificationModelTrainer
model_trainer = ClassificationModelTrainer()
model_trainer.setModelTypeAsResNet50()
model_trainer.setDataDirectory("pets")
model_trainer.trainModel(num_objects=4, num_experiments=100, enhance_data=True, batch_size=32, show_network_summary=True)
