Cree productos avanzados de IA a través de la API gratuita de Python
API de Python de código abierto para desarrollar aplicaciones y sistemas con capacidades autónomas de aprendizaje profundo y visión por computadora.
ImageAI es una biblioteca de Python de código abierto simple pero muy poderosa y avanzada que brinda a los desarrolladores de software el poder de desarrollar aplicaciones y utilidades de software con capacidades de visión artificial y aprendizaje profundo autónomo. La biblioteca ha incluido varias funciones avanzadas relacionadas con el reconocimiento de imágenes, la detección de objetos, la detección de objetos en videos, el entrenamiento de modelos de reconocimiento personalizado, el análisis de imágenes de video y cámaras, y el reconocimiento de objetos con los modelos.
La biblioteca es fácil de usar y permite a los programadores de software integrar fácilmente capacidades avanzadas de inteligencia artificial en sus aplicaciones y sistemas con solo un par de líneas de código Python. Hay otras bibliotecas que también pueden proporcionarle funciones relacionadas con la IA, como Tensor Flow, OpenCV y Keras, pero necesitará que escriba una gran cantidad de código. Por otro lado, con ImageAI se requerirán un par de líneas de código para lograrlo.
La biblioteca gratuita de código abierto ImageAI es muy popular y ha gustado a estudiantes, investigadores, desarrolladores y expertos de todo el mundo para producir sin esfuerzo productos y soluciones de inteligencia artificial avanzada con facilidad.
Primeros pasos con ImageAI
Se recomienda instalar ImageAI a través de pip, ejecute los siguientes comandos de instalación de python.
Instalar ImageAI a través de pip
pip3 install imageai --upgradePredicción de imágenes a través de las API de Python
La biblioteca ImageAI de código abierto permite a los desarrolladores de software agregar capacidades de predicción de imágenes en sus propias aplicaciones Python con solo un par de líneas de código. La biblioteca ha incluido 4 tipos de modelos y algoritmos diferentes para realizar la predicción de imágenes, como SqueezeNet, ResNet, InceptionV3 y DenseNet. Recuerde que cada uno de estos algoritmos tiene archivos de modelo separados que los usuarios deben usar según la elección del algoritmo. La biblioteca también ofrece velocidades de predicción para todas las tareas de predicción de imágenes, como normal por defecto, rápido, más rápido y más rápido.
Realizar predicción de imagen a través de 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)
Detección de objetos de imagen en aplicaciones Python
La detección de objetos es una asombrosa técnica de visión por computadora que brinda a los desarrolladores de software la capacidad de identificar y ubicar objetos en una imagen o dentro de un video. La biblioteca ImageAI ha incluido métodos muy útiles para lograr la detección de objetos en imágenes y extraer cada objeto de la imagen. Ha brindado soporte para RetinaNet, YOLOv3 y TinyYOLOv3, con opciones para lograr un alto rendimiento y procesamiento en tiempo real.
Detección de objetos de video a través de Python
Al igual que la detección de objetos dentro de las imágenes, la biblioteca ImageAI ha proporcionado un método muy poderoso y fácil para detectar y rastrear objetos dentro de videos usando comandos de Python. Para una detección fluida de objetos de video, debe descargar el modelo de detección de objetos RetinaNet, YOLOv3 o TinyYOLOv3. Después de descargar correctamente el archivo del modelo de detección de objetos, copie el archivo del modelo en la carpeta del proyecto donde se guardarán los archivos .py. Como la detección de objetos de video es una tarea muy exhaustiva, se recomienda usar una computadora con una GPU NVIDIA y la versión GPU de Tensorflow.
Detección de objetos de video a través de 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)
Usar la instalación de entrenamiento de modelo personalizado
La biblioteca ImageAI de código abierto permite a los desarrolladores de software entrenar modelos de predicción de imágenes personalizados con facilidad. Permite a los desarrolladores entrenar su propio modelo en cualquier conjunto de imágenes que corresponda a cualquier tipo de objeto. Los procedimientos de entrenamiento crearán un archivo JSON que asignará los tipos de objetos en el conjunto de datos de la imagen y creará muchos modelos. Después de eso, el trabajo es fácil, debe elegir el modelo con la mayor precisión y realizar una predicción de imagen personalizada.
Aplicar Entrenamiento Modelo Personalizado
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)
