1. Tuotteet
  2.   Kuva
  3.   Python
  4.   ImageAI
 
  

Luo edistyneitä tekoälytuotteita ilmaisen Python API:n kautta

Avoimen lähdekoodin Python-sovellusliittymät sovellusten ja järjestelmien kehittämiseen, joissa on itsenäiset syväoppimis- ja tietokonenäköominaisuudet.

ImageAI on yksinkertainen mutta erittäin tehokas ja edistyksellinen avoimen lähdekoodin Python-kirjasto, joka antaa ohjelmistokehittäjille vallan kehittää sovelluksia ja apuohjelmia, joissa on itsenäisiä syväoppimis- ja tietokonenäköominaisuuksia. Kirjastossa on useita edistyneitä ominaisuuksia, jotka liittyvät kuvantunnistukseen, objektien tunnistukseen, esineiden havaitsemiseen videoissa, mukautetun tunnistusmallien koulutukseen, video- ja kamerasyötteiden analysointiin sekä kohteiden tunnistamiseen mallien avulla.

Kirjasto on helppokäyttöinen, ja se antaa ohjelmoijille mahdollisuuden integroida edistyneitä tekoälyominaisuuksia helposti sovelluksiinsa ja järjestelmiinsä vain muutamalla python-koodirivillä. On myös muita kirjastoja, jotka voivat tarjota sinulle tekoälyyn liittyviä ominaisuuksia, kuten Tensor Flow, OpenCV ja Keras, mutta sinun on kirjoitettava suuri määrä koodia. Toisaalta ImageAI:lla tarvitaan pari riviä koodia sen saavuttamiseksi.

Ilmainen avoimen lähdekoodin ImageAI-kirjasto on erittäin suosittu, ja opiskelijat, tutkijat, kehittäjät ja asiantuntijat ympäri maailmaa ovat pitäneet siitä, koska se tuottaa vaivattomasti edistyneitä tekoälytuotteita ja -ratkaisuja helposti.

Previous Next

ImageAI:n käytön aloittaminen

On suositeltavaa asentaa ImageAI pip:n kautta. Suorita seuraavat python-asennuskomennot.

Asenna ImageAI pipin kautta

pip3 install imageai --upgrade

Kuvan ennustaminen Python-sovellusliittymien kautta

Avoimen lähdekoodin ImageAI-kirjaston avulla ohjelmistokehittäjät voivat lisätä Image Prediction -ominaisuuksia omiin python-sovelluksiinsa vain muutamalla koodirivillä. Kirjastossa on neljä erilaista algoritmia ja mallityyppiä kuvan ennustamiseen, kuten SqueezeNet, ResNet, InceptionV3 ja DenseNet. Muista, että jokaisella näistä algoritmeista on erilliset mallitiedostot, joita käyttäjien on käytettävä algoritmin valinnasta riippuen. Kirjasto tarjoaa myös ennustusnopeuksia kaikille kuvien ennustustehtäville, kuten oletuksena normaalille, nopealle, nopeammille ja nopeimmille.

Suorita kuvan ennustus Pythonilla

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)

Kuvaobjektin tunnistus Python-sovelluksissa

Objektintunnistus on hämmästyttävä tietokonenäkötekniikka, joka antaa ohjelmistokehittäjille mahdollisuuden tunnistaa ja paikantaa esineitä kuvassa tai videon sisällä. ImageAI-kirjasto on sisältänyt erittäin hyödyllisiä menetelmiä kohteen havaitsemiseen kuvista ja kunkin kohteen poimimiseen kuvasta. Se on tarjonnut tukea RetinaNetille, YOLOv3:lle ja TinyYOLOv3:lle sekä vaihtoehdot korkean suorituskyvyn ja reaaliaikaisen käsittelyn saavuttamiseksi.

Videoobjektin tunnistus Pythonin kautta

Kuten kuvien sisällä oleva Object Detection, ImageAI-kirjasto on tarjonnut erittäin tehokkaan ja helpon menetelmän videoiden sisällä olevien objektien havaitsemiseen ja seuraamiseen python-komentojen avulla. Sujuvaa videokohteiden havaitsemista varten sinun on ladattava RetinaNet-, YOLOv3- tai TinyYOLOv3-objektien tunnistusmalli. Kun objektintunnistusmallitiedosto on ladattu onnistuneesti, kopioi mallitiedosto projektikansioon, johon .py-tiedostot tallennetaan. Koska videoobjektien tunnistus on hyvin tyhjentävä tehtävä, on suositeltavaa käyttää tietokonetta, jossa on NVIDIA GPU ja Tensorflow GPU-versio.

Videoobjektin tunnistus Pythonin kautta

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)

Käytä mukautettua mallikoulutusohjelmaa

Avoimen lähdekoodin ImageAI-kirjaston avulla ohjelmistokehittäjät voivat kouluttaa mukautettuja kuvanennustusmalleja helposti. Sen avulla kehittäjät voivat kouluttaa oman mallinsa mille tahansa kuvasarjalle, joka vastaa minkä tahansa tyyppistä objektia. Koulutusmenettelyt luovat JSON-tiedoston, joka kartoittaa kuvatietojoukon objektityypit ja luo paljon malleja. Sen jälkeen työ on helppoa, sinun on valittava malli suurimmalla tarkkuudella ja suoritettava mukautettu kuvan ennustus.

Hae mukautettua mallikoulutusta

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)
 Suomen