1. Товары
  2.   Изображение
  3.   Python
  4.   ImageAI
 
  

Создавайте продвинутые продукты с искусственным интеллектом с помощью бесплатного API Python

API-интерфейсы Python с открытым исходным кодом для разработки приложений и систем с автономными возможностями глубокого обучения и компьютерного зрения.

ImageAI — это простая, но очень мощная и продвинутая библиотека Python с открытым исходным кодом, которая дает разработчикам программного обеспечения возможность разрабатывать приложения и программные утилиты с автономными возможностями глубокого обучения и компьютерного зрения. Библиотека включает в себя несколько расширенных функций, связанных с распознаванием изображений, обнаружением объектов, обнаружением объектов в видео, обучением пользовательских моделей распознавания, анализом видео и камер, а также распознаванием объектов с помощью моделей.

Библиотека проста в использовании и позволяет программистам легко интегрировать расширенные возможности искусственного интеллекта в свои приложения и системы, написав всего пару строк кода на Python. Существуют и другие библиотеки, которые также могут предоставить вам функции, связанные с ИИ, такие как Tensor Flow, OpenCV и Keras, но для этого вам потребуется написать большой объем кода. С другой стороны, с ImageAI для этого потребуется пара строк кода.

Бесплатная библиотека ImageAI с открытым исходным кодом очень популярна и нравится студентам, исследователям, разработчикам и экспертам по всему миру, так как позволяет с легкостью создавать передовые продукты и решения для искусственного интеллекта.

Previous Next

Начало работы с ImageAI

Рекомендуется устанавливать ImageAI через pip, выполните следующие команды установки Python.

Установите ImageAI через pip

pip3 install imageai --upgrade

Прогнозирование изображений с помощью Python API

Библиотека ImageAI с открытым исходным кодом позволяет разработчикам программного обеспечения добавлять возможности прогнозирования изображений в свои собственные приложения Python с помощью всего пары строк кода. Библиотека включает 4 различных алгоритма и типа моделей для прогнозирования изображений, таких как SqueezeNet, ResNet, InceptionV3 и DenseNet. Пожалуйста, помните, что каждый из этих алгоритмов имеет отдельные файлы модели, которые пользователи должны использовать в зависимости от выбора алгоритма. Библиотека также предлагает скорости прогнозирования для всех задач прогнозирования изображений, таких как нормальный по умолчанию, быстрый, быстрый и самый быстрый.

Предсказание изображения через 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)

Определение объекта в приложениях Python

Обнаружение объектов — это удивительная технология компьютерного зрения, которая дает разработчикам программного обеспечения возможность идентифицировать и находить объекты на изображении или в видео. Библиотека ImageAI включает очень полезные методы для обнаружения объектов на изображениях и извлечения каждого объекта из изображения. Он обеспечивает поддержку RetinaNet, YOLOv3 и TinyYOLOv3 с опциями для достижения высокой производительности и обработки в реальном времени.

Обнаружение видеообъектов через Python

Так же, как обнаружение объектов внутри изображений, библиотека ImageAI предоставила очень мощный и простой метод для обнаружения и отслеживания объектов внутри видео с помощью команд Python. Для плавного обнаружения видеообъектов необходимо загрузить модель обнаружения объектов RetinaNet, YOLOv3 или TinyYOLOv3. После успешной загрузки файла модели обнаружения объектов скопируйте файл модели в папку проекта, где будут сохранены файлы .py. Поскольку обнаружение видеообъектов является очень сложной задачей, рекомендуется использовать компьютер с графическим процессором NVIDIA и версией Tensorflow для графического процессора.

Обнаружение видеообъектов через 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)

Используйте настраиваемое средство обучения модели

Библиотека ImageAI с открытым исходным кодом позволяет разработчикам программного обеспечения с легкостью обучать пользовательские модели прогнозирования изображений. Это позволяет разработчикам обучать собственную модель на любом наборе изображений, соответствующем любому типу объекта. Файл JSON будет создан процедурами обучения, которые сопоставят типы объектов в наборе данных изображения и создадут множество моделей. После этого работа проста, вам нужно выбрать модель с максимальной точностью и выполнить прогнозирование пользовательского изображения.

Применить пользовательскую модель обучения

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)
 Русский