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

Opret avancerede AI-produkter via gratis Python API

Open Source Python API'er til udvikling af applikationer og systemer med selvstændig dyb læring og computersynsfunktioner.

ImageAI er et simpelt, men meget kraftfuldt og avanceret open source Python-bibliotek, der giver softwareudviklere magten til at udvikle applikationer og softwareværktøjer med selvstændige deep learning- og computervisionsmuligheder. Biblioteket har inkluderet adskillige avancerede funktioner relateret til billedgenkendelse, objektgenkendelse, objektdetektering i videoer, træning af tilpassede genkendelsesmodeller, video- og kamerafeedanalyse og genkendelse af objekter med modellerne.

Biblioteket er nemt at bruge og giver softwareprogrammører mulighed for nemt at integrere avancerede kunstig intelligens-funktioner i deres applikationer og systemer med blot et par linjer python-kode. Der er andre biblioteker, der også kan give dig AI-relaterede funktioner som Tensor Flow, OpenCV og Keras, men det kræver, at du skriver en stor mængde kode. På den anden side vil der med ImageAI kræves et par linjer kode for at opnå det.

Det gratis open source ImageAI-bibliotek er meget populært og er blevet godt lide af studerende, forskere, udviklere og eksperter rundt om i verden til ubesværet at producere avancerede kunstig intelligens-produkter og -løsninger med lethed

Previous Next

Kom godt i gang med ImageAI

Det anbefales at installere ImageAI via pip, kør venligst følgende python installationskommandoer.

Installer ImageAI via pip

pip3 install imageai --upgrade

Billedforudsigelse via Python API'er

Open source ImageAI-biblioteket gør det muligt for softwareudviklere at tilføje billedforudsigelsesfunktioner til deres egne python-applikationer med blot et par linjer kode. Biblioteket har inkluderet 4 forskellige algoritmer og modeltyper til at udføre billedforudsigelse, såsom SqueezeNet, ResNet, InceptionV3 og DenseNet. Husk, at hver af disse algoritmer har separate modelfiler, som brugerne skal bruge afhængigt af valget af algoritme. Biblioteket tilbyder også forudsigelseshastigheder for alle billedforudsigelsesopgaver såsom normal som standard, hurtig, hurtigere og hurtigst.

Udfør billedforudsigelse 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)

Billedobjektdetektion i Python-apps

Objektdetektion er en fantastisk computervisionsteknik, der giver softwareudviklere muligheden for at identificere og lokalisere objekter i et billede eller inde i en video. ImageAI-biblioteket har inkluderet meget nyttige metoder til at udføre objektdetektering på billeder og udtrække hvert objekt fra billedet. Det har givet support til RetinaNet, YOLOv3 og TinyYOLOv3, med muligheder for at opnå høj ydeevne og realtidsbehandling.

Videoobjektdetektion via Python

Samme som objektgenkendelse inde i billeder har ImageAI-biblioteket givet en meget kraftfuld og nem metode til at detektere og spore objekter inde i videoer ved hjælp af python-kommandoer. For jævn videoobjektdetektion skal du downloade RetinaNet-, YOLOv3- eller TinyYOLOv3-objektdetektionsmodellen. Efter vellykket download af objektdetektionsmodelfilen, skal du kopiere modelfilen til projektmappen, hvor .py-filer vil blive gemt. Da videoobjektgenkendelse er en meget udtømmende opgave, anbefales det at bruge en computer med en NVIDIA GPU og GPU-versionen af 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)

Brug Custom Model Training Facility

Open source ImageAI-biblioteket gør det muligt for softwareudviklere at træne tilpassede billedforudsigelsesmodeller med lethed. Det giver udviklere mulighed for at træne deres egen model på ethvert sæt billeder, der svarer til enhver type objekt. En JSON-fil vil blive oprettet af træningsprocedurerne, som vil kortlægge objekttyperne i billeddatasættet og skabe masser af modeller. Derefter er jobbet let, du skal vælge modellen med den højeste nøjagtighed og udføre en tilpasset billedforudsigelse.

Anvend 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)
 Dansk