1. Produkty
  2.   Obraz
  3.   Python
  4.   ImageAI
 
  

Twórz zaawansowane produkty AI za pomocą bezpłatnego interfejsu API Pythona

Interfejsy API Open Source Python do tworzenia aplikacji i systemów z samodzielnym uczeniem głębokim i funkcjami widzenia komputerowego.

ImageAI to prosta, ale bardzo wydajna i zaawansowana biblioteka Pythona typu open source, która daje programistom możliwość tworzenia aplikacji i narzędzi programowych z samodzielnym głębokim uczeniem i możliwościami widzenia komputerowego. Biblioteka zawiera kilka zaawansowanych funkcji związanych z rozpoznawaniem obrazu, wykrywaniem obiektów, wykrywaniem obiektów w materiałach wideo, trenowaniem modeli rozpoznawania niestandardowego, analizą obrazu wideo i obrazu z kamery oraz rozpoznawaniem obiektów za pomocą modeli.

Biblioteka jest łatwa w użyciu i umożliwia programistom łatwą integrację zaawansowanych funkcji sztucznej inteligencji z ich aplikacjami i systemami za pomocą zaledwie kilku linijek kodu Pythona. Istnieją inne biblioteki, które mogą również zapewnić funkcje związane ze sztuczną inteligencją, takie jak Tensor Flow, OpenCV i Keras, ale będą wymagały napisania dużej ilości kodu. Z drugiej strony, w przypadku ImageAI, do osiągnięcia tego będzie wymagane kilka linii kodu.

Bezpłatna biblioteka ImageAI o otwartym kodzie źródłowym jest bardzo popularna i została lubiana przez studentów, badaczy, programistów i ekspertów na całym świecie do łatwego i łatwego tworzenia zaawansowanych produktów i rozwiązań sztucznej inteligencji

Previous Next

Pierwsze kroki z ImageAI

Zaleca się zainstalowanie ImageAI przez pip, uruchom następujące polecenia instalacji Pythona.

Zainstaluj ImageAI przez pip

pip3 install imageai --upgrade

Przewidywanie obrazu za pomocą interfejsów API Pythona

Biblioteka ImageAI o otwartym kodzie źródłowym umożliwia twórcom oprogramowania dodawanie funkcji przewidywania obrazu do własnych aplikacji Pythona za pomocą zaledwie kilku linijek kodu. Biblioteka zawiera 4 różne algorytmy i typy modeli do przewidywania obrazu, takie jak SqueezeNet, ResNet, InceptionV3 i DenseNet. Proszę pamiętać, że każdy z tych algorytmów ma osobne pliki modeli, z których użytkownicy muszą korzystać w zależności od wyboru algorytmu. Biblioteka oferuje również prędkości przewidywania dla wszystkich zadań przewidywania obrazów, takich jak domyślnie normalne, szybkie, szybsze i najszybsze.

Wykonaj przewidywanie obrazu za pomocą Pythona

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)

Wykrywanie obiektów obrazu w aplikacjach Pythona

Wykrywanie obiektów to niesamowita technika widzenia komputerowego, która daje programistom możliwość identyfikowania i lokalizowania obiektów na obrazie lub w filmie. Biblioteka ImageAI zawiera bardzo przydatne metody wykrywania obiektów na obrazach i wyodrębniania każdego obiektu z obrazu. Zapewnia obsługę RetinaNet, YOLOv3 i TinyYOLOv3, z opcjami osiągnięcia wysokiej wydajności i przetwarzania w czasie rzeczywistym.

Wykrywanie obiektów wideo za pomocą Pythona

Podobnie jak wykrywanie obiektów w obrazach, biblioteka ImageAI zapewnia bardzo potężną i łatwą metodę wykrywania i śledzenia obiektów w filmach za pomocą poleceń Pythona. Aby zapewnić płynne wykrywanie obiektów wideo, należy pobrać model wykrywania obiektów RetinaNet, YOLOv3 lub TinyYOLOv3. Po pomyślnym pobraniu pliku modelu wykrywania obiektów, skopiuj plik modelu do folderu projektu, w którym zostaną zapisane pliki .py. Ponieważ wykrywanie obiektów wideo jest bardzo wyczerpującym zadaniem, zaleca się używanie komputera z procesorem graficznym NVIDIA i wersją Tensorflow na GPU.

Wykrywanie obiektów wideo za pomocą Pythona

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)

Skorzystaj z narzędzia do szkolenia modeli niestandardowych

Biblioteka ImageAI typu open source umożliwia programistom łatwe szkolenie niestandardowych modeli przewidywania obrazów. Umożliwia programistom trenowanie własnego modelu na dowolnym zestawie obrazów, który odpowiada dowolnemu typowi obiektu. Plik JSON zostanie utworzony przez procedury szkoleniowe, które mapują typy obiektów w zbiorze danych obrazu i tworzą wiele modeli. Następnie praca jest łatwa, musisz wybrać model z najwyższą dokładnością i wykonać niestandardową prognozę obrazu.

Zastosuj niestandardowe szkolenie modelowe

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)
 Polski