1. Produktai
  2.   Vaizdas
  3.   Python
  4.   ImageAI
 
  

Kurkite pažangius AI produktus naudodami nemokamą Python API

Atvirojo kodo Python API, skirtos programoms ir sistemoms kurti su savarankiško gilaus mokymosi ir kompiuterinio matymo galimybėmis.

„ImageAI“ yra paprasta, bet labai galinga ir pažangi atvirojo kodo „Python“ biblioteka, suteikianti programinės įrangos kūrėjams galią kurti programas ir programinės įrangos priemones, turinčias savarankiško gilaus mokymosi ir kompiuterinio matymo galimybių. Bibliotekoje yra keletas pažangių funkcijų, susijusių su vaizdų atpažinimu, objektų aptikimu, objektų aptikimu vaizdo įrašuose, tinkintų atpažinimo modelių mokymu, vaizdo įrašų ir kameros tiekimo analize ir objektų atpažinimu naudojant modelius.

Biblioteka yra paprasta naudoti ir suteikia programuotojams galimybę lengvai integruoti pažangias dirbtinio intelekto galimybes į savo programas ir sistemas, naudojant tik kelias python kodo eilutes. Yra ir kitų bibliotekų, kurios taip pat gali suteikti jums su AI susijusių funkcijų, tokių kaip „Tensor Flow“, „OpenCV“ ir „Keras“, tačiau tam reikės parašyti daug kodo. Kita vertus, naudojant „ImageAI“, norint tai pasiekti, reikės kelių kodo eilučių.

Nemokama atvirojo kodo „ImageAI“ biblioteka yra labai populiari ir ją pamėgo studentai, mokslininkai, kūrėjai ir ekspertai visame pasaulyje, nes ji be vargo ir lengvai gamina pažangius dirbtinio intelekto produktus ir sprendimus.

Previous Next

Darbo su ImageAI pradžia

Rekomenduojama įdiegti ImageAI per pip, paleiskite šias python diegimo komandas.

Įdiekite ImageAI per pip

pip3 install imageai --upgrade

Vaizdo numatymas per Python API

Atvirojo kodo „ImageAI“ biblioteka leidžia programinės įrangos kūrėjams pridėti vaizdo numatymo galimybes į savo „python“ programas, naudojant tik kelias kodo eilutes. Bibliotekoje yra 4 skirtingi algoritmai ir modelių tipai, skirti vaizdų numatymui atlikti, pvz., SqueezeNet, ResNet, InceptionV3 ir DenseNet. Atminkite, kad kiekvienas iš šių algoritmų turi atskirus modelio failus, kuriuos naudotojai turi naudoti priklausomai nuo pasirinkto algoritmo. Biblioteka taip pat siūlo numatymo greitį atliekant visas vaizdo numatymo užduotis, pvz., įprastas pagal numatytuosius nustatymus, greitas, greitesnis ir greičiausias.

Atlikite vaizdo numatymą naudodami 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)

Vaizdo objektų aptikimas Python programose

Objektų aptikimas yra nuostabi kompiuterinio matymo technika, suteikianti programinės įrangos kūrėjams galimybę atpažinti ir rasti objektus vaizde arba vaizdo įraše. „ImageAI“ bibliotekoje yra labai naudingų metodų, kaip atlikti objektų aptikimą vaizduose ir išgauti kiekvieną objektą iš vaizdo. Jis palaiko „RetinaNet“, „YOLOv3“ ir „TinyYOLOv3“ su galimybėmis pasiekti aukštą našumą ir apdorojimą realiuoju laiku.

Vaizdo objektų aptikimas per Python

Kaip ir objektų aptikimas vaizduose, „ImageAI“ biblioteka suteikė labai galingą ir paprastą būdą aptikti ir sekti objektus vaizdo įrašuose naudojant „python“ komandas. Norėdami sklandžiai aptikti vaizdo objektus, turite atsisiųsti objektų aptikimo modelį RetinaNet, YOLOv3 arba TinyYOLOv3. Sėkmingai atsisiuntę objekto aptikimo modelio failą, nukopijuokite modelio failą į projekto aplanką, kuriame bus išsaugoti .py failai. Kadangi vaizdo objektų aptikimas yra labai sudėtinga užduotis, patartina naudoti kompiuterį su NVIDIA GPU ir „Tensorflow“ GPU versija.

Vaizdo objektų aptikimas per 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)

Naudokite individualizuoto modelio mokymo priemonę

Atvirojo kodo „ImageAI“ biblioteka leidžia programinės įrangos kūrėjams lengvai išmokyti pasirinktinius vaizdo numatymo modelius. Tai leidžia kūrėjams išmokyti savo modelį bet kokiam vaizdų rinkiniui, atitinkančiam bet kokio tipo objektą. JSON failas bus sukurtas taikant mokymo procedūras, kurios atvaizduos objektų tipus vaizdų duomenų rinkinyje ir sukurs daugybę modelių. Po to darbas bus lengvas, jums reikia pasirinkti modelį su didžiausiu tikslumu ir atlikti pasirinktinį vaizdo numatymą.

Taikykite individualų modelių mokymą

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)
 Lietuvių