1. Des produits
  2.   Image
  3.   Python
  4.   ImageAI
 
  

Créer des produits d'IA avancés via l'API Python gratuite

API Python open source pour développer des applications et des systèmes avec des capacités autonomes d'apprentissage en profondeur et de vision par ordinateur.

ImageAI est une bibliothèque de Python à source ouverte simple mais très puissante qui permet aux concepteurs de logiciels de développer des applications et des services logiciels avec des capacités d'apprentissage et de vision informatique autonomes. La bibliothèque a inclus plusieurs caractéristiques avancées liées à la reconnaissance de l'image, à la détection d'objets, à la détection des Vidéos, à la formation des modèles de reconnaissance personnalisée, à l'analyse vidéo et à caméra.

La bibliothèque est facile à utiliser et à habiliter les programmateurs de logiciels à intégrer facilement les capacités avancées de renseignement artificiel dans leurs applications et leurs systèmes à quelques lignes de code python. Il y a d'autres bibliothèques qui peuvent aussi vous fournir AI-related caractéristiques comme Sensor Flow, OpenCV et Eras, mais qui devront rédiger une grande quantité de code. D'autre part, avec ImageAI lignes de code, il sera nécessaire d'y parvenir.

La bibliothèque libre de la source ouverte ImageAI est très populaire et a été aimée par des étudiants, des chercheurs, des développeurs et des experts du monde entier pour produire sans relâche des produits et des solutions de renseignement artificiel.

Previous Next

Premiers pas avec ImageAI

Il est recommandé d'installer ImageAI via pip, veuillez exécuter les commandes d'installation python suivantes.

Installer ImageAI par conduites

pip3 install imageai --upgrade

Prédiction d'image via les API Python

La bibliothèque open source ImageAI permet aux développeurs de logiciels d'ajouter des fonctionnalités de prédiction d'image dans leurs propres applications Python avec seulement quelques lignes de code. La bibliothèque a inclus 4 algorithmes et types de modèles différents pour effectuer la prédiction d'image, tels que SqueezeNet, ResNet, InceptionV3 et DenseNet. N'oubliez pas que chacun de ces algorithmes a des fichiers de modèle distincts que les utilisateurs doivent utiliser en fonction du choix de l'algorithme. La bibliothèque offre également des vitesses de prédiction pour toutes les tâches de prédiction d'image telles que normale par défaut, rapide, plus rapide et plus rapide.

Performer la prévision d'images par 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)

Détection des objets d'images dans les appareils de python

La détection d'objets est une technique de vision par ordinateur étonnante qui donne aux développeurs de logiciels la possibilité d'identifier et de localiser des objets dans une image ou à l'intérieur d'une vidéo. La bibliothèque ImageAI a inclus des méthodes très utiles pour effectuer la détection d'objets sur des images et extraire chaque objet de l'image. Il a pris en charge RetinaNet, YOLOv3 et TinyYOLOv3, avec des options pour obtenir des performances élevées et un traitement en temps réel.

Détection d'objets vidéo via Python

Tout comme la détection d'objets à l'intérieur d'images, la bibliothèque ImageAI a fourni une méthode très efficace et facile de détection et de suivi des objets dans des vidéos utilisant des commandes de python. Pour la détection des objets vidéo lisse, vous devez télécharger le modèle de détection des objets RetinaNet, YOLOv3 ou TinyYOLOv3. Après avoir téléchargé avec succès le fichier du modèle de détection des objets, veuillez copier le fichier modèle au dossier du projet où les fichiers .py seront sauvegardés. Comme la détection d'objets vidéo est une tâche très exhaustive, il est conseillé d'utiliser un ordinateur avec une UP NVIDIA et la version PU de Tensorflow.

Détection d'objets vidéo via 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)

Utiliser la fonction de formation de modèle personnalisé

La bibliothèque de la source ouverte ImageAI permet aux concepteurs de logiciels de former des modèles personnalisés de prévision d'images avec facilité. Il permet aux développeurs de former leur propre modèle sur tout ensemble d'images qui correspond à tout type d'objet. Un fichier SON sera créé par les procédures de formation qui cartographieront les types d'objets dans l'ensemble de données d'image et créeront beaucoup de modèles. Après cela, il est facile de choisir le modèle avec la plus grande précision et d'effectuer une prévision personnalisée de l'image.

Appliquer la formation sur modèle personnalisé

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)
 Français