از طریق API رایگان پایتون، محصولات هوش مصنوعی پیشرفته ایجاد کنید

شروع کار با ImageAI

توصیه می شود ImageAI را از طریق پیپ نصب کنید، لطفاً دستورات نصب پایتون زیر را اجرا کنید.

pip3 install imageai --upgrade

پیش‌بینی تصویر از طریق APIهای پایتون

کتابخانه منبع باز ImageAI توسعه دهندگان نرم افزار را قادر می سازد تا قابلیت های پیش بینی تصویر را تنها با چند خط کد به برنامه های پایتون خود اضافه کنند. این کتابخانه شامل 4 الگوریتم و مدل مختلف برای انجام پیش‌بینی تصویر است، مانند SqueezeNet، ResNet، InceptionV3 و DenseNet. لطفاً به یاد داشته باشید که هر یک از این الگوریتم ها دارای فایل های مدل جداگانه ای هستند که کاربران بسته به انتخاب الگوریتم باید از آنها استفاده کنند. این کتابخانه همچنین سرعت های پیش بینی را برای تمام کارهای پیش بینی تصویر مانند عادی به طور پیش فرض، سریع، سریع تر و سریع ترین ارائه می دهد.

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)

تشخیص اشیاء تصویر در برنامه های پایتون

تشخیص اشیا یک تکنیک بینایی کامپیوتری شگفت انگیز است که به توسعه دهندگان نرم افزار توانایی شناسایی و مکان یابی اشیاء را در یک تصویر یا داخل یک ویدیو می دهد. کتابخانه ImageAI روش های بسیار مفیدی را برای انجام تشخیص اشیاء روی تصاویر و استخراج هر شی از تصویر گنجانده است. پشتیبانی از RetinaNet، YOLOv3 و TinyYOLOv3 را با گزینه هایی برای دستیابی به عملکرد بالا و پردازش بلادرنگ ارائه کرده است.

تشخیص اشیاء ویدیویی از طریق پایتون

کتابخانه ImageAI مانند تشخیص اشیا در داخل تصاویر، روشی بسیار قدرتمند و آسان برای شناسایی و ردیابی اشیاء داخل ویدیوها با استفاده از دستورات پایتون ارائه کرده است. برای تشخیص روان شیء ویدیویی، باید مدل تشخیص شی RetinaNet، YOLOv3 یا TinyYOLOv3 را دانلود کنید. پس از دانلود موفقیت‌آمیز فایل مدل شناسایی شی، لطفاً فایل مدل را در پوشه پروژه که فایل‌های .py در آن ذخیره می‌شوند، کپی کنید. از آنجایی که تشخیص اشیاء ویدیویی یک کار بسیار جامع است، توصیه می شود از رایانه ای با پردازنده گرافیکی NVIDIA و نسخه GPU Tensorflow استفاده کنید.

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)

از امکانات آموزشی مدل سفارشی استفاده کنید

کتابخانه منبع باز ImageAI توسعه دهندگان نرم افزار را قادر می سازد تا مدل های پیش بینی تصویر سفارشی را به راحتی آموزش دهند. این به توسعه دهندگان اجازه می دهد تا مدل خود را بر روی هر مجموعه ای از تصاویر که با هر نوع شی مطابقت دارد آموزش دهند. یک فایل JSON توسط رویه های آموزشی ایجاد می شود که انواع شی را در مجموعه داده تصویر ترسیم می کند و مدل های زیادی ایجاد می کند. پس از آن کار آسان است، باید مدل را با بالاترین دقت انتخاب کنید و یک پیش بینی تصویر سفارشی انجام دهید.

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)