1. Produkte
  2.   Bild
  3.   Python
  4.   ImageAI
 
  

Erstellen Sie erweiterte KI-Produkte über die kostenlose Python-API

Open-Source-Python-APIs zum Entwickeln von Anwendungen und Systemen mit eigenständigen Deep-Learning- und Computer-Vision-Funktionen.

ImageAI ist eine einfache, aber sehr leistungsfähige und fortschrittliche Open Source Python Bibliothek, die Software-Entwicklern die Möglichkeit gibt, Anwendungen und Software-Utilities mit eigenem tiefen Lernen und Computer-Vision-Funktionen zu entwickeln. Die Bibliothek hat verschiedene erweiterte Funktionen in Bezug auf die Bilderkennung, Objekt-Erkennung, Objekt-Erkennung in Videos, Schulung von Custom Recognition Models, Video- und Kamerafeed-Analysen und die Anerkennung von Objekten.

Die Bibliothek ist einfach zu benutzen und erlaubt Programmierern, fortgeschrittene Künstliche Intelligenz in ihre Anwendungen und Systeme mit nur wenigen Zeilen Python-Code zu integrieren. Es gibt weitere Bibliotheken, die Ihnen AI-related Features wie Sensor Flow, OpenCV und Eras zur Verfügung stellen können, aber das erfordert, dass Sie eine große Menge an Code schreiben. Auf der anderen Seite wird mit ImageAI ein paar Zeilen Code benötigt, um es zu erreichen.

Die freie Open-Source ImageAI Bibliothek ist sehr beliebt und wurde von Studenten, Forschern, Entwicklern und Experten auf der ganzen Welt geschätzt, um mühelos fortschrittliche künstliche Intelligenz Produkte und Lösungen mit Leichtigkeit herzustellen.

Previous Next

Erste Schritte mit ImageAI

Es wird empfohlen, ImageAI über pip zu installieren, bitte führen Sie die folgenden Python-Installationsbefehle aus.

Install ImageAI via pip

pip3 install imageai --upgrade

Bildvorhersage über Python-APIs

Die Open-Source-ImageAI-Bibliothek ermöglicht es Softwareentwicklern, mit nur wenigen Codezeilen Bildvorhersagefunktionen in ihre eigenen Python-Anwendungen einzufügen. Die Bibliothek enthält 4 verschiedene Algorithmen und Modelltypen zur Durchführung der Bildvorhersage, wie SqueezeNet, ResNet, InceptionV3 und DenseNet. Bitte denken Sie daran, dass jeder dieser Algorithmen separate Modelldateien hat, die Benutzer je nach Wahl des Algorithmus verwenden müssen. Die Bibliothek bietet auch Vorhersagegeschwindigkeiten für alle Bildvorhersageaufgaben wie standardmäßig normal, schnell, schneller und am schnellsten.

Perform Image Prediction via 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)

Bildobjekterkennung in Python Apps

Die Objekterkennung ist eine erstaunliche Computer-Vision-Technik, die Softwareentwicklern die Möglichkeit gibt, Objekte in einem Bild oder in einem Video zu identifizieren und zu lokalisieren. Die ImageAI-Bibliothek enthält sehr nützliche Methoden, um die Objekterkennung auf Bildern zu erreichen und jedes Objekt aus dem Bild zu extrahieren. Es hat Unterstützung für RetinaNet, YOLOv3 und TinyYOLOv3 bereitgestellt, mit Optionen, um eine hohe Leistung und Echtzeitverarbeitung zu erreichen.

Videoobjekterkennung über Python

Wie Objekterkennung in Bildern bietet die ImageAI-Bibliothek eine sehr leistungsstarke und einfache Methode, Objekte in Videos unter Verwendung von Python-Befehlen zu entdecken und zu verfolgen. Für eine glatte Detektion von Videoobjekten müssen Sie das Modell RetinaNet, YOLOv3 oder TinyYOLOv3 herunterladen. Nach dem erfolgreichen Download der Objekt-Erkennungs-Modelldatei kopieren Sie bitte die Modelldatei in den Projektordner, in dem .py-Dateien gespeichert werden. Da die Videoobjekterkennung eine sehr erschöpfende Aufgabe ist, wird empfohlen, einen Computer mit einer NVIDIA PU und die PU Version von Tensorflow zu verwenden.

Videoobjekterkennung über 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)

Verwenden Sie die Schulungseinrichtung für benutzerdefinierte Modelle

Die Open Source ImageAI Bibliothek ermöglicht es Software-Entwicklern, benutzerdefinierte Bildvorhersagemodelle einfach auszubilden. Es erlaubt Entwicklern, ihr eigenes Modell auf allen Bildern zu schulen, die jedem Objekttyp entsprechen. Eine SON Datei wird durch die Schulungsverfahren erstellt, die die Objekttypen im Bilddatensatz abbilden und viele Modelle erstellen. Danach ist es einfach, das Modell mit der höchsten Genauigkeit auszuwählen und eine individuelle Bildvorhersage durchzuführen.

Maßgeschneidertes Modelltraining

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)
 Deutsch