1. produkty
  2.   obraz
  3.   Python
  4.   ImageAI
 
  

Vytvářejte pokročilé produkty AI prostřednictvím bezplatného rozhraní Python API

Open Source Python API pro vývoj aplikací a systémů se samostatnými možnostmi hlubokého učení a počítačového vidění.

ImageAI je jednoduchá, ale velmi výkonná a pokročilá open source knihovna Pythonu, která dává softwarovým vývojářům moc vyvíjet aplikace a softwarové nástroje se samostatnými schopnostmi hlubokého učení a počítačového vidění. Knihovna obsahuje několik pokročilých funkcí souvisejících s rozpoznáváním obrazu, detekcí objektů, detekcí objektů ve videích, školením modelů vlastního rozpoznávání, analýzou videa a kamer a rozpoznáváním objektů pomocí modelů.

Knihovna se snadno používá a umožňuje softwarovým programátorům snadno integrovat pokročilé funkce umělé inteligence do svých aplikací a systémů pomocí pouhých několika řádků kódu python. Existují další knihovny, které vám také mohou poskytnout funkce související s AI, jako je Tensor Flow, OpenCV a Keras, ale to bude vyžadovat, abyste napsali velké množství kódu. Na druhou stranu s ImageAI bude k jeho dosažení potřeba pár řádků kódu.

Bezplatná knihovna ImageAI s otevřeným zdrojovým kódem je velmi oblíbená a oblíbili si ji studenti, výzkumníci, vývojáři a odborníci z celého světa, aby snadno a bez námahy produkovali pokročilé produkty a řešení umělé inteligence.

Previous Next

Začínáme s ImageAI

Doporučuje se nainstalovat ImageAI přes pip, spusťte prosím následující instalační příkazy pythonu.

Nainstalujte ImageAI přes pip

pip3 install imageai --upgrade

Predikce obrazu přes Python API

Open source knihovna ImageAI umožňuje vývojářům softwaru přidat funkce Image Prediction do jejich vlastních pythonových aplikací pomocí pouhých několika řádků kódu. Knihovna obsahuje 4 různé algoritmy a typy modelů pro provádění predikce obrazu, jako jsou SqueezeNet, ResNet, InceptionV3 a DenseNet. Pamatujte prosím, že každý z těchto algoritmů má samostatné soubory modelu, které uživatelé musí používat v závislosti na volbě algoritmu. Knihovna také nabízí rychlosti predikce pro všechny úlohy predikce obrázků, jako je ve výchozím nastavení normální, rychlá, rychlejší a nejrychlejší.

Provádějte predikci obrázků pomocí Pythonu

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)

Detekce objektů obrázku v aplikacích Python

Detekce objektů je úžasná technika počítačového vidění, která vývojářům softwaru umožňuje identifikovat a lokalizovat objekty na obrázku nebo ve videu. Knihovna ImageAI obsahuje velmi užitečné metody pro provádění detekce objektů na obrázcích a extrahování každého objektu z obrázku. Poskytuje podporu pro RetinaNet, YOLOv3 a TinyYOLOv3 s možnostmi dosažení vysokého výkonu a zpracování v reálném čase.

Detekce video objektů přes Python

Stejně jako detekce objektů uvnitř obrázků poskytuje knihovna ImageAI velmi výkonnou a snadnou metodu pro detekci a sledování objektů uvnitř videí pomocí příkazů python. Pro plynulou detekci video objektů si musíte stáhnout model detekce objektů RetinaNet, YOLOv3 nebo TinyYOLOv3. Po úspěšném stažení souboru modelu detekce objektů zkopírujte soubor modelu do složky projektu, kde budou uloženy soubory .py. Protože detekce video objektů je velmi vyčerpávající úkol, doporučuje se používat počítač s GPU NVIDIA a GPU verze Tensorflow.

Detekce video objektů přes 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)

Použijte vlastní model školení

Open source knihovna ImageAI umožňuje vývojářům softwaru snadno trénovat vlastní modely predikce obrázků. Umožňuje vývojářům trénovat svůj vlastní model na libovolné sadě obrázků, které odpovídají jakémukoli typu objektu. Tréninkovými procedurami bude vytvořen soubor JSON, který bude mapovat typy objektů v obrazové datové sadě a vytvoří mnoho modelů. Poté je práce snadná, musíte vybrat model s nejvyšší přesností a provést vlastní predikci obrazu.

Použít vlastní model školení

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)
 Čeština