1. Produkter
  2.   Bilde
  3.   Python
  4.   ImageAI
 
  

Lag avanserte AI-produkter via Free Python API

Open Source Python API-er for å utvikle applikasjoner og systemer med selvstendige dyplærings- og datasynsfunksjoner.

ImageAI er et enkelt, men veldig kraftig og avansert åpen kildekode Python-bibliotek som gir programvareutviklere muligheten til å utvikle applikasjoner og programvareverktøy med selvstendige dyplærings- og datasynsfunksjoner. Biblioteket har inkludert flere avanserte funksjoner knyttet til bildegjenkjenning, objektdeteksjon, objektdeteksjon i videoer, opplæring av tilpassede gjenkjenningsmodeller, video- og kamerafeedanalyse og gjenkjenning av objekter med modellene.

Biblioteket er enkelt å bruke og gir programvareprogrammerere mulighet til enkelt å integrere avanserte kunstig intelligens-funksjoner i sine applikasjoner og systemer med bare et par linjer med python-kode. Det er andre biblioteker som også kan gi deg AI-relaterte funksjoner som Tensor Flow, OpenCV og Keras, men som krever at du skriver en stor mengde kode. På den annen side med ImageAI vil det kreves et par linjer med kode for å oppnå det.

Det gratis open source ImageAI-biblioteket er veldig populært og har blitt likt av studenter, forskere, utviklere og eksperter over hele verden for å enkelt produsere avanserte kunstig intelligens-produkter og -løsninger

Previous Next

Komme i gang med ImageAI

Det anbefales å installere ImageAI via pip, vennligst kjør følgende python-installasjonskommandoer.

Installer ImageAI via pip

pip3 install imageai --upgrade

Bildeprediksjon via Python APIer

ImageAI-biblioteket med åpen kildekode gjør det mulig for programvareutviklere å legge til bildeprediksjonsfunksjoner i sine egne python-applikasjoner med bare et par linjer med kode. Biblioteket har inkludert 4 forskjellige algoritmer og modelltyper for å utføre bildeprediksjon, slik som SqueezeNet, ResNet, InceptionV3 og DenseNet. Husk at hver av disse algoritmene har separate modellfiler som brukere må bruke, avhengig av valget av algoritme. Biblioteket tilbyr også prediksjonshastigheter for alle bildeprediksjonsoppgaver som normal som standard, rask, raskere og raskest.

Utfør bildeprediksjon via 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)

Bildeobjektgjenkjenning i Python-apper

Objektdeteksjon er en fantastisk datasynsteknikk som gir programvareutviklere muligheten til å identifisere og lokalisere objekter i et bilde eller i en video. ImageAI-biblioteket har inkludert svært nyttige metoder for å oppnå objektdeteksjon på bilder og trekke ut hvert objekt fra bildet. Den har gitt støtte for RetinaNet, YOLOv3 og TinyYOLOv3, med alternativer for å oppnå høy ytelse og sanntidsbehandling.

Videoobjektdeteksjon via Python

Samme som Objektdeteksjon inne i bilder har ImageAI-biblioteket gitt en veldig kraftig og enkel metode for å oppdage og spore objekter inne i videoer ved å bruke python-kommandoer. For jevn videoobjektdeteksjon må du laste ned RetinaNet-, YOLOv3- eller TinyYOLOv3-objektdeteksjonsmodellen. Etter vellykket nedlasting av objektdeteksjonsmodellfilen, vennligst kopier modellfilen til prosjektmappen der .py-filer vil bli lagret. Siden videoobjektgjenkjenning er en svært omfattende oppgave, anbefales det å bruke en datamaskin med en NVIDIA GPU og GPU-versjonen av Tensorflow.

Videoobjektdeteksjon 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)

Bruk tilpasset modelltreningsfasilitet

ImageAI-biblioteket med åpen kildekode gjør det mulig for programvareutviklere å trene tilpassede bildeprediksjonsmodeller med letthet. Det lar utviklere trene sin egen modell på ethvert sett med bilder som tilsvarer enhver type objekt. En JSON-fil vil bli opprettet av opplæringsprosedyrene som vil kartlegge objekttypene i bildedatasettet og lage mange modeller. Etter at jobben er enkel, må du velge modellen med høyeste nøyaktighet og utføre en tilpasset bildeprediksjon.

Bruk tilpasset modellopplæring

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)
 Norsk