1. Продукти
  2.   Образ
  3.   Python
  4.   ImageAI
 
  

Създавайте усъвършенствани AI продукти чрез безплатен API на Python

API на Python с отворен код за разработване на приложения и системи със самостоятелно задълбочено обучение и възможности за компютърно зрение.

ImageAI е проста, но много мощна и усъвършенствана библиотека на Python с отворен код, която дава на разработчиците на софтуер силата да разработват приложения и софтуерни помощни програми със самостоятелно задълбочено обучение и възможности за компютърно зрение. Библиотеката включва няколко разширени функции, свързани с разпознаване на изображения, откриване на обекти, откриване на обекти във видеоклипове, обучение на модели за персонализирано разпознаване, анализ на подаване на видео и камера и разпознаване на обекти с моделите.

Библиотеката е лесна за използване и дава възможност на софтуерните програмисти лесно да интегрират усъвършенствани възможности за изкуствен интелект в своите приложения и системи само с няколко реда код на Python. Има други библиотеки, които също могат да ви предоставят функции, свързани с AI, като Tensor Flow, OpenCV и Keras, но това ще изисква да напишете голямо количество код. От друга страна с ImageAI ще са необходими няколко реда код, за да се постигне това.

Безплатната библиотека с отворен код ImageAI е много популярна и е харесана от студенти, изследователи, разработчици и експерти по целия свят за безпроблемно създаване на усъвършенствани продукти и решения за изкуствен интелект с лекота

Previous Next

Първи стъпки с ImageAI

Препоръчително е да инсталирате ImageAI чрез pip, моля, изпълнете следните инсталационни команди на python.

Инсталирайте ImageAI чрез pip

pip3 install imageai --upgrade

Прогноза за изображение чрез API на Python

Библиотеката ImageAI с отворен код позволява на разработчиците на софтуер да добавят възможности за предсказване на изображения в своите собствени приложения на Python само с няколко реда код. Библиотеката включва 4 различни алгоритми и типове модели за извършване на прогнозиране на изображения, като SqueezeNet, ResNet, InceptionV3 и DenseNet. Моля, не забравяйте, че всеки от тези алгоритми има отделни файлове с модели, които потребителите трябва да използват в зависимост от избора на алгоритъма. Библиотеката също така предлага скорости на прогнозиране за всички задачи за прогнозиране на изображения, като нормална по подразбиране, бърза, по-бърза и най-бърза.

Извършване на предсказване на изображения чрез 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)

Откриване на обект на изображение в приложения на Python

Откриването на обекти е невероятна техника за компютърно зрение, която дава възможност на разработчиците на софтуер да идентифицират и локализират обекти в изображение или във видео. Библиотеката ImageAI включва много полезни методи за постигане на откриване на обекти в изображения и извличане на всеки обект от изображението. Осигурява поддръжка за RetinaNet, YOLOv3 и TinyYOLOv3, с опции за постигане на висока производителност и обработка в реално време.

Откриване на видео обект чрез Python

Подобно на откриването на обекти в изображенията, библиотеката ImageAI предоставя много мощен и лесен метод за откриване и проследяване на обекти във видеоклипове с помощта на команди на Python. За гладко откриване на видео обекти трябва да изтеглите модела за откриване на обекти RetinaNet, YOLOv3 или TinyYOLOv3. След успешно изтегляне на файла с модела за откриване на обект, моля, копирайте файла с модела в папката на проекта, където ще бъдат запазени .py файловете. Тъй като откриването на видео обекти е много изчерпателна задача, препоръчително е да използвате компютър с NVIDIA GPU и GPU версията на Tensorflow.

Откриване на видео обект чрез 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)

Използвайте средство за обучение по персонализиран модел

Библиотеката ImageAI с отворен код позволява на разработчиците на софтуер да обучават с лекота персонализирани модели за предсказване на изображения. Тя позволява на разработчиците да обучават свой собствен модел на всеки набор от изображения, който съответства на всеки тип обект. JSON файл ще бъде създаден чрез процедурите за обучение, които ще картографират типовете обекти в набора от данни за изображения и ще създадат много модели. След това работата е лесна, трябва да изберете модела с най-висока точност и да извършите персонализирано прогнозиране на изображението.

Приложете обучение по персонализиран модел

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)
 Български