צור מוצרי AI מתקדמים באמצעות Python API בחינם
ממשקי API של Python בקוד פתוח לפיתוח אפליקציות ומערכות עם יכולות למידה עמוקה וראייה ממוחשבת עצמאית.
ImageAI היא ספריית Python פשוטה אך חזקה מאוד ומתקדמת שנותנת למפתחי תוכנה את הכוח לפתח יישומים וכלי תוכנה עם יכולות למידה עמוקה וראייה ממוחשבת. הספרייה כללה מספר תכונות מתקדמות הקשורות לזיהוי תמונה, זיהוי אובייקטים, זיהוי אובייקטים בסרטונים, הדרכה של מודלים של זיהוי מותאם אישית, ניתוח הזנת וידאו ומצלמה וזיהוי אובייקטים עם המודלים.
הספרייה קלה לשימוש ומאפשרת למתכנתי תוכנה לשלב בקלות יכולות בינה מלאכותית מתקדמות ביישומים ובמערכות שלהם עם כמה שורות של קוד פיתון בלבד. ישנן ספריות אחרות שיכולות לספק לך גם תכונות הקשורות לבינה מלאכותית כמו Tensor Flow, OpenCV ו-Keras, אבל זה יצטרך אותך לכתוב כמות גדולה של קוד. מצד שני עם ImageAI יידרשו כמה שורות קוד כדי להשיג זאת.
ספריית הקוד הפתוח החינמית ImageAI פופולרית מאוד וזכתה לאהוב על ידי סטודנטים, חוקרים, מפתחים ומומחים ברחבי העולם כדי לייצר ללא מאמץ מוצרים ופתרונות בינה מלאכותית מתקדמים בקלות
תחילת העבודה עם ImageAI
מומלץ להתקין את ImageAI דרך pip, אנא הפעל את פקודות ההתקנה הבאות של python.
התקן את ImageAI דרך pip
pip3 install imageai --upgradeחיזוי תמונה באמצעות ממשקי API של Python
ספריית הקוד הפתוח ImageAI מאפשרת למפתחי תוכנה להוסיף יכולות חיזוי תמונה ליישומי פיתון משלהם עם כמה שורות קוד בלבד. הספרייה כללה 4 אלגוריתמים וסוגי מודל שונים לביצוע חיזוי תמונה, כגון SqueezeNet, ResNet, InceptionV3 ו-DenseNet. אנא זכור שלכל אחד מהאלגוריתמים הללו יש קבצי מודל נפרדים שבהם המשתמשים צריכים להשתמש בהתאם לבחירת האלגוריתם. הספרייה מציעה גם מהירויות חיזוי עבור כל משימות חיזוי התמונות כגון רגיל כברירת מחדל, מהיר, מהיר יותר ומהיר ביותר.
בצע חיזוי תמונה באמצעות 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)
זיהוי אובייקט תמונה באפליקציות Python
זיהוי אובייקטים היא טכניקת ראייה ממוחשבת מדהימה המעניקה למפתחי תוכנה את היכולת לזהות ולאתר אובייקטים בתמונה או בתוך סרטון. ספריית ImageAI כללה שיטות שימושיות מאוד כדי לבצע זיהוי אובייקטים בתמונות ולחלץ כל אובייקט מהתמונה. הוא סיפק תמיכה עבור RetinaNet, YOLOv3 ו-TinyYOLOv3, עם אפשרויות להשיג ביצועים גבוהים ועיבוד בזמן אמת.
זיהוי אובייקטי וידאו באמצעות Python
בדומה לזיהוי אובייקטים בתוך תמונות, ספריית ImageAI סיפקה שיטה חזקה וקלה מאוד לזיהוי ומעקב אחר אובייקטים בתוך סרטונים באמצעות פקודות פיתון. לזיהוי אובייקט וידאו חלק, עליך להוריד את מודל זיהוי האובייקטים של RetinaNet, YOLOv3 או TinyYOLOv3. לאחר הורדה מוצלחת של קובץ מודל זיהוי האובייקטים, אנא העתק את קובץ הדגם לתיקיית הפרויקט שבה יישמרו קבצי py. מכיוון שזיהוי אובייקטי וידאו הוא משימה ממצה מאוד, מומלץ להשתמש במחשב עם NVIDIA GPU וגרסת ה-GPU של Tensorflow.
זיהוי אובייקטי וידאו באמצעות 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)
השתמש במתקן אימון דגם מותאם אישית
ספריית הקוד הפתוח ImageAI מאפשרת למפתחי תוכנה להכשיר מודלים של חיזוי תמונות מותאמים אישית בקלות. זה מאפשר למפתחים לאמן את המודל שלהם על כל סט של תמונות שמתאים לכל סוג של אובייקט. קובץ JSON ייווצר על ידי נהלי ההדרכה אשר ימפו את סוגי האובייקטים במערך התמונות וייצרו המון מודלים. לאחר מכן העבודה קלה, עליך לבחור את הדגם עם הדיוק הגבוה ביותר ולבצע חיזוי תמונה מותאם אישית.
החל אימון מודל מותאם אישית
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)
