1. Produkti
  2.   Attēls
  3.   Python
  4.   ImageAI
 
  

Izveidojiet uzlabotus AI produktus, izmantojot bezmaksas Python API

Atvērtā pirmkoda Python API, lai izstrādātu lietojumprogrammas un sistēmas ar pašpietiekamām dziļās mācīšanās un datora redzes iespējām.

ImageAI ir vienkārša, taču ļoti jaudīga un uzlabota atvērtā pirmkoda Python bibliotēka, kas programmatūras izstrādātājiem sniedz iespēju izstrādāt lietojumprogrammas un programmatūras utilītas ar autonomām dziļas mācīšanās un datora redzes iespējām. Bibliotēkā ir iekļautas vairākas uzlabotas funkcijas, kas saistītas ar attēlu atpazīšanu, objektu noteikšanu, objektu noteikšanu videoklipos, pielāgotās atpazīšanas modeļu apmācību, video un kameru plūsmas analīzi un objektu atpazīšanu ar modeļiem.

Bibliotēka ir viegli lietojama, un tā sniedz programmatūras programmētājiem iespēju viegli integrēt uzlabotas mākslīgā intelekta iespējas savās lietojumprogrammās un sistēmās, izmantojot tikai dažas python koda rindas. Ir arī citas bibliotēkas, kas var nodrošināt arī ar AI saistītas funkcijas, piemēram, Tensor Flow, OpenCV un Keras, taču jums būs jāieraksta liels koda daudzums. No otras puses, ar ImageAI, lai to panāktu, būs nepieciešamas dažas koda rindiņas.

Bezmaksas atvērtā pirmkoda ImageAI bibliotēka ir ļoti populāra, un studenti, pētnieki, izstrādātāji un eksperti visā pasaulē to ir iecienījuši, lai bez piepūles un viegli izveidotu progresīvus mākslīgā intelekta produktus un risinājumus.

Previous Next

Darba sākšana ar ImageAI

Ieteicams instalēt ImageAI, izmantojot pip,, lūdzu, izpildiet tālāk norādītās python instalēšanas komandas.

Instalējiet ImageAI, izmantojot pip

pip3 install imageai --upgrade

Attēlu prognozēšana, izmantojot Python API

Atvērtā pirmkoda ImageAI bibliotēka ļauj programmatūras izstrādātājiem pievienot attēlu prognozēšanas iespējas savām python lietojumprogrammām, izmantojot tikai dažas koda rindiņas. Bibliotēkā ir iekļauti 4 dažādi algoritmi un modeļu veidi, lai veiktu attēla prognozēšanu, piemēram, SqueezeNet, ResNet, InceptionV3 un DenseNet. Lūdzu, ņemiet vērā, ka katram no šiem algoritmiem ir atsevišķi modeļu faili, kas lietotājiem ir jāizmanto atkarībā no algoritma izvēles. Bibliotēka piedāvā arī prognozēšanas ātrumus visiem attēlu prognozēšanas uzdevumiem, piemēram, parastajiem pēc noklusējuma, ātrajiem, ātrākajiem un ātrākajiem.

Veiciet attēla prognozēšanu, izmantojot 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)

Attēla objektu noteikšana Python lietotnēs

Objektu noteikšana ir pārsteidzošs datorredzes paņēmiens, kas programmatūras izstrādātājiem sniedz iespēju identificēt un atrast objektus attēlā vai videoklipā. ImageAI bibliotēkā ir iekļautas ļoti noderīgas metodes, lai veiktu objektu noteikšanu attēlos un izvilktu katru objektu no attēla. Tas ir nodrošinājis atbalstu RetinaNet, YOLOv3 un TinyYOLOv3 ar iespējām sasniegt augstu veiktspēju un reāllaika apstrādi.

Video objektu noteikšana, izmantojot Python

Līdzīgi kā objektu noteikšana attēlos, ImageAI bibliotēka ir nodrošinājusi ļoti jaudīgu un vienkāršu metodi, lai noteiktu un izsekotu objektus videoklipos, izmantojot python komandas. Lai nodrošinātu vienmērīgu video objektu noteikšanu, jums ir jālejupielādē RetinaNet, YOLOv3 vai TinyYOLOv3 objektu noteikšanas modelis. Pēc veiksmīgas objektu noteikšanas modeļa faila lejupielādes, lūdzu, kopējiet modeļa failu uz projekta mapi, kurā tiks saglabāti .py faili. Tā kā video objektu noteikšana ir ļoti izsmeļošs uzdevums, ieteicams izmantot datoru ar NVIDIA GPU un Tensorflow GPU versiju.

Video objektu noteikšana, izmantojot 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)

Izmantojiet pielāgotu modeļu apmācības iespēju

Atvērtā pirmkoda ImageAI bibliotēka ļauj programmatūras izstrādātājiem viegli apmācīt pielāgotus attēlu prognozēšanas modeļus. Tas ļauj izstrādātājiem apmācīt savu modeli jebkuram attēlu kopumam, kas atbilst jebkura veida objektam. JSON fails tiks izveidots, izmantojot apmācības procedūras, kas kartēs objektu tipus attēla datu kopā un izveidos daudz modeļu. Pēc tam darbs ir vienkāršs, jums jāizvēlas modelis ar visaugstāko precizitāti un jāveic pielāgota attēla prognozēšana.

Piesakieties pielāgotu modeļu apmācībai

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)
 Latviski