1. Προϊόντα
  2.   Εικόνα
  3.   Python
  4.   ImageAI
 
  

Δημιουργήστε προηγμένα προϊόντα AI μέσω του δωρεάν API Python

API Python ανοιχτού κώδικα για την ανάπτυξη εφαρμογών και συστημάτων με αυτόνομες δυνατότητες βαθιάς μάθησης και υπολογιστικής όρασης.

Το ImageAI είναι μια απλή αλλά πολύ ισχυρή και προηγμένη βιβλιοθήκη ανοιχτού κώδικα Python που δίνει στους προγραμματιστές λογισμικού τη δύναμη να αναπτύσσουν εφαρμογές και βοηθητικά προγράμματα λογισμικού με αυτόνομες δυνατότητες βαθιάς μάθησης και όρασης υπολογιστή. Η βιβλιοθήκη έχει συμπεριλάβει πολλές προηγμένες λειτουργίες που σχετίζονται με την αναγνώριση εικόνων, τον εντοπισμό αντικειμένων, τον εντοπισμό αντικειμένων στα βίντεο, την εκπαίδευση μοντέλων προσαρμοσμένης αναγνώρισης, την ανάλυση τροφοδοσίας βίντεο και κάμερας και την αναγνώριση αντικειμένων με τα μοντέλα.

Η βιβλιοθήκη είναι εύκολη στη χρήση και δίνει τη δυνατότητα στους προγραμματιστές λογισμικού να ενσωματώνουν εύκολα προηγμένες δυνατότητες Τεχνητής Νοημοσύνης στις εφαρμογές και τα συστήματά τους με μερικές μόνο γραμμές κώδικα python. Υπάρχουν και άλλες βιβλιοθήκες που μπορούν επίσης να σας παρέχουν λειτουργίες που σχετίζονται με την τεχνητή νοημοσύνη, όπως το Tensor Flow, το OpenCV και το Keras, αλλά θα χρειαστεί να γράψετε μεγάλο αριθμό κώδικα. Από την άλλη πλευρά, με το ImageAI θα χρειαστούν μερικές γραμμές κώδικα για να επιτευχθεί αυτό.

Η δωρεάν βιβλιοθήκη ImageAI ανοιχτού κώδικα είναι πολύ δημοφιλής και άρεσε σε φοιτητές, ερευνητές, προγραμματιστές και ειδικούς σε όλο τον κόσμο για να παράγει εύκολα προηγμένα προϊόντα και λύσεις τεχνητής νοημοσύνης με ευκολία

Previous Next

Ξεκινώντας με το ImageAI

Συνιστάται να εγκαταστήσετε το ImageAI μέσω pip, εκτελέστε τις ακόλουθες εντολές εγκατάστασης python.

Εγκαταστήστε το ImageAI μέσω pip

pip3 install imageai --upgrade

Πρόβλεψη εικόνας μέσω Python API

Η βιβλιοθήκη ImageAI ανοιχτού κώδικα επιτρέπει στους προγραμματιστές λογισμικού να προσθέτουν δυνατότητες Πρόβλεψης Εικόνας στις δικές τους εφαρμογές python με λίγες μόνο γραμμές κώδικα. Η βιβλιοθήκη έχει συμπεριλάβει 4 διαφορετικούς αλγόριθμους και τύπους μοντέλων για την εκτέλεση πρόβλεψης εικόνας, όπως SqueezeNet, ResNet, InceptionV3 και DenseNet. Να θυμάστε ότι καθένας από αυτούς τους αλγόριθμους έχει ξεχωριστά αρχεία μοντέλων που πρέπει να χρησιμοποιήσουν οι χρήστες ανάλογα με την επιλογή του αλγορίθμου. Η βιβλιοθήκη προσφέρει επίσης ταχύτητες πρόβλεψης για όλες τις εργασίες πρόβλεψης εικόνας, όπως κανονική από προεπιλογή, γρήγορη, ταχύτερη και ταχύτερη.

Προβλέψεις εικόνων μέσω 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)

Ανίχνευση αντικειμένων εικόνας στις εφαρμογές Python

Η ανίχνευση αντικειμένων είναι μια εκπληκτική τεχνική όρασης υπολογιστή που δίνει στους προγραμματιστές λογισμικού τη δυνατότητα να αναγνωρίζουν και να εντοπίζουν αντικείμενα σε μια εικόνα ή μέσα σε ένα βίντεο. Η βιβλιοθήκη ImageAI έχει συμπεριλάβει πολύ χρήσιμες μεθόδους για την επίτευξη ανίχνευσης αντικειμένων σε εικόνες και την εξαγωγή κάθε αντικειμένου από την εικόνα. Παρέχει υποστήριξη για τα RetinaNet, YOLOv3 και TinyYOLOv3, με επιλογές για την επίτευξη υψηλής απόδοσης και επεξεργασίας σε πραγματικό χρόνο.

Ανίχνευση αντικειμένων βίντεο μέσω Python

Όπως και ο εντοπισμός αντικειμένων εντός εικόνων, η βιβλιοθήκη ImageAI παρέχει μια πολύ ισχυρή και εύκολη μέθοδο για τον εντοπισμό και την παρακολούθηση αντικειμένων μέσα σε βίντεο χρησιμοποιώντας εντολές python. Για ομαλή ανίχνευση αντικειμένων βίντεο, πρέπει να κάνετε λήψη του μοντέλου ανίχνευσης αντικειμένων RetinaNet, YOLOv3 ή TinyYOLOv3. Μετά την επιτυχή λήψη του αρχείου μοντέλου εντοπισμού αντικειμένων, αντιγράψτε το αρχείο μοντέλου στο φάκελο του έργου όπου θα αποθηκευτούν τα αρχεία .py. Καθώς η ανίχνευση αντικειμένων βίντεο είναι μια πολύ εξαντλητική εργασία, συνιστάται η χρήση υπολογιστή με GPU NVIDIA και την έκδοση GPU του Tensorflow.

Ανίχνευση αντικειμένων βίντεο μέσω 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)

Χρησιμοποιήστε προσαρμοσμένο μοντέλο εκπαίδευσης

Η ανοιχτού κώδικα βιβλιοθήκη ImageAI επιτρέπει στους προγραμματιστές λογισμικού να εκπαιδεύουν προσαρμοσμένα μοντέλα πρόβλεψης εικόνων με ευκολία. Επιτρέπει στους προγραμματιστές να εκπαιδεύσουν το δικό τους μοντέλο σε οποιοδήποτε σύνολο εικόνων που αντιστοιχεί σε οποιοδήποτε είδος αντικειμένου. Ένα αρχείο JSON θα δημιουργηθεί από τις διαδικασίες εκπαίδευσης που θα αντιστοιχίσουν τους τύπους αντικειμένων στο σύνολο δεδομένων εικόνων και θα δημιουργήσουν πολλά μοντέλα. Μετά από αυτό, η εργασία είναι εύκολη, πρέπει να επιλέξετε το μοντέλο με την υψηλότερη ακρίβεια και να εκτελέσετε μια προσαρμοσμένη πρόβλεψη εικόνας.

Εφαρμογή προσαρμοσμένης εκπαίδευσης μοντέλων

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)
 Ελληνικά