Crie produtos avançados de IA por meio da API Python gratuita
APIs Python de código aberto para desenvolver aplicativos e sistemas com recursos autônomos de aprendizado profundo e visão computacional.
O ImageAI é uma biblioteca Python de código aberto simples, mas muito poderosa e avançada, que oferece aos desenvolvedores de software o poder de desenvolver aplicativos e utilitários de software com recursos autônomos de aprendizado profundo e visão computacional. A biblioteca incluiu vários recursos avançados relacionados ao reconhecimento de imagem, detecção de objetos, detecção de objetos em vídeos, treinamento de modelos de reconhecimento personalizado, análise de vídeo e alimentação de câmera e reconhecimento de objetos com os modelos.
A biblioteca é fácil de usar e capacita os programadores de software a integrar facilmente recursos avançados de Inteligência Artificial em seus aplicativos e sistemas com apenas algumas linhas de código python. Existem outras bibliotecas que também podem fornecer recursos relacionados à IA, como Tensor Flow, OpenCV e Keras, mas isso exigirá que você escreva uma grande quantidade de código. Por outro lado, com o ImageAI, algumas linhas de código serão necessárias para alcançá-lo.
A biblioteca gratuita de código aberto ImageAI é muito popular e tem sido apreciada por estudantes, pesquisadores, desenvolvedores e especialistas em todo o mundo para produzir sem esforço produtos e soluções avançadas de inteligência artificial com facilidade
Introdução ao ImageAI
Recomenda-se instalar o ImageAI via pip, execute os seguintes comandos de instalação do python.
Instale o ImageAI via pip
pip3 install imageai --upgradePrevisão de imagem por meio de APIs Python
A biblioteca ImageAI de código aberto permite que os desenvolvedores de software adicionem recursos de previsão de imagem em seus próprios aplicativos python com apenas algumas linhas de código. A biblioteca inclui 4 algoritmos e tipos de modelo diferentes para realizar a previsão de imagem, como SqueezeNet, ResNet, InceptionV3 e DenseNet. Lembre-se de que cada um desses algoritmos possui arquivos de modelo separados que os usuários precisam usar dependendo da escolha do algoritmo. A biblioteca também oferece velocidades de previsão para todas as tarefas de previsão de imagem, como normal por padrão, rápido, rápido e rápido.
Realizar Predição de Imagem 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)
Detecção de objetos de imagem em aplicativos Python
A detecção de objetos é uma técnica incrível de visão computacional que oferece aos desenvolvedores de software a capacidade de identificar e localizar objetos em uma imagem ou dentro de um vídeo. A biblioteca ImageAI inclui métodos muito úteis para realizar a detecção de objetos em imagens e extrair cada objeto da imagem. Ele forneceu suporte para RetinaNet, YOLOv3 e TinyYOLOv3, com opções para obter alto desempenho e processamento em tempo real.
Detecção de objetos de vídeo via Python
Assim como a detecção de objetos dentro de imagens, a biblioteca ImageAI forneceu um método muito poderoso e fácil para detectar e rastrear objetos dentro de vídeos usando comandos python. Para uma detecção suave de objetos de vídeo, você precisa baixar o modelo de detecção de objetos RetinaNet, YOLOv3 ou TinyYOLOv3. Após o download bem-sucedido do arquivo de modelo de detecção de objeto, copie o arquivo de modelo para a pasta do projeto onde os arquivos .py serão salvos. Como a detecção de objetos de vídeo é uma tarefa muito exaustiva, é aconselhável usar um computador com uma GPU NVIDIA e a versão GPU do Tensorflow.
Detecção de objetos de vídeo 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)
Use o recurso de treinamento de modelo personalizado
A biblioteca ImageAI de código aberto permite que os desenvolvedores de software treinem modelos de previsão de imagem personalizados com facilidade. Ele permite que os desenvolvedores treinem seu próprio modelo em qualquer conjunto de imagens que corresponda a qualquer tipo de objeto. Um arquivo JSON será criado pelos procedimentos de treinamento que mapearão os tipos de objetos no conjunto de dados da imagem e criarão muitos modelos. Depois disso, o trabalho é fácil, você precisa escolher o modelo com a maior precisão e realizar uma previsão de imagem personalizada.
Aplicar o treinamento de modelo personalizado
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)
