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

Skapa avancerade AI-produkter via gratis Python API

Python-API:er med öppen källkod för att utveckla applikationer och system med självständig djupinlärning och datorseende.

ImageAI är ett enkelt men mycket kraftfullt och avancerat Python-bibliotek med öppen källkod som ger mjukvaruutvecklare kraften att utveckla applikationer och programvaruverktyg med självständig djupinlärning och datorseende. Biblioteket har inkluderat flera avancerade funktioner relaterade till bildigenkänning, objektdetektering, objektdetektering i videor, utbildning av anpassade igenkänningsmodeller, video- och kameraflödesanalys och igenkänning av objekt med modellerna.

Biblioteket är lätt att använda och ger programvaruprogrammerare möjlighet att enkelt integrera avancerade artificiell intelligens i sina applikationer och system med bara ett par rader pythonkod. Det finns andra bibliotek som också kan ge dig AI-relaterade funktioner som Tensor Flow, OpenCV och Keras, men som kräver att du skriver en stor mängd kod. Å andra sidan med ImageAI kommer ett par rader kod att krävas för att uppnå det.

Det kostnadsfria imageAI-biblioteket med öppen källkod är mycket populärt och har gillats av studenter, forskare, utvecklare och experter runt om i världen för att utan ansträngning producera avancerade produkter och lösningar för artificiell intelligens med lätthet

Previous Next

Komma igång med ImageAI

Det rekommenderas att installera ImageAI via pip, kör följande python-installationskommandon.

Installera ImageAI via pip

pip3 install imageai --upgrade

Bildförutsägelse via Python API:er

ImageAI-biblioteket med öppen källkod gör det möjligt för mjukvaruutvecklare att lägga till bildprediktionsfunktioner i sina egna python-applikationer med bara ett par rader kod. Biblioteket har inkluderat 4 olika algoritmer och modelltyper för att utföra bildprediktion, såsom SqueezeNet, ResNet, InceptionV3 och DenseNet. Kom ihåg att var och en av dessa algoritmer har separata modellfiler som användare behöver använda beroende på valet av algoritm. Biblioteket erbjuder också förutsägelsehastigheter för alla bildförutsägelseuppgifter som normal som standard, snabb, snabbare och snabbast.

Utför bildprediktion 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)

Bildobjektdetektion i Python-appar

Objektdetektering är en fantastisk datorseendeteknik som ger mjukvaruutvecklare möjligheten att identifiera och lokalisera objekt i en bild eller inuti en video. ImageAI-biblioteket har inkluderat mycket användbara metoder för att åstadkomma objektdetektering på bilder och extrahera varje objekt från bilden. Det har gett stöd för RetinaNet, YOLOv3 och TinyYOLOv3, med alternativ för att uppnå hög prestanda och realtidsbehandling.

Videoobjektdetektion via Python

Samma som Object Detection inuti bilder har ImageAI-biblioteket tillhandahållit en mycket kraftfull och enkel metod för att upptäcka och spåra objekt inuti videor med hjälp av python-kommandon. För smidig videoobjektdetektering måste du ladda ner RetinaNet-, YOLOv3- eller TinyYOLOv3-objektdetekteringsmodellen. Efter lyckad nedladdning av objektdetekteringsmodellfilen, kopiera modellfilen till projektmappen där .py-filerna kommer att sparas. Eftersom videoobjektdetektering är en mycket omfattande uppgift, rekommenderas det att använda en dator med en NVIDIA GPU och GPU-versionen av Tensorflow.

Videoobjektdetektion 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)

Använd Custom Model Training Facility

ImageAI-biblioteket med öppen källkod gör det möjligt för mjukvaruutvecklare att enkelt träna anpassade bildförutsägelsemodeller. Det låter utvecklare träna sin egen modell på vilken uppsättning bilder som helst som motsvarar vilken typ av objekt som helst. En JSON-fil kommer att skapas av utbildningsprocedurerna som kommer att kartlägga objekttyperna i bilddatauppsättningen och skapa massor av modeller. Efter att jobbet är enkelt måste du välja modellen med högsta noggrannhet och utföra en anpassad bildförutsägelse.

Tillämpa Custom Model Training

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)
 Svenska