1. Termékek
  2.   Kép
  3.   Python
  4.   ImageAI
 
  

Hozzon létre fejlett AI-termékeket az ingyenes Python API-n keresztül

Nyílt forráskódú Python API-k alkalmazások és rendszerek fejlesztéséhez, önálló mélytanulási és számítógépes látási képességekkel.

Az ImageAI egy egyszerű, de nagyon hatékony és fejlett, nyílt forráskódú Python-könyvtár, amely lehetővé teszi a szoftverfejlesztők számára, hogy önálló mélytanulási és számítógépes látási képességekkel rendelkező alkalmazásokat és segédprogramokat fejlesszenek. A könyvtár számos fejlett funkciót tartalmaz a képfelismeréshez, objektumészleléshez, objektumészleléshez a videókban, egyéni felismerési modellek képzéséhez, video- és kamera feed elemzéséhez, valamint objektumok felismeréséhez a modellekkel.

A könyvtár könnyen használható, és lehetővé teszi a szoftverprogramozók számára, hogy néhány sornyi Python kóddal könnyedén integrálják a fejlett mesterséges intelligencia képességeit alkalmazásaikba és rendszereikbe. Vannak más könyvtárak is, amelyek mesterséges intelligenciával kapcsolatos szolgáltatásokat is biztosíthatnak, például a Tensor Flow, az OpenCV és a Keras, de ehhez nagy mennyiségű kódot kell írnia. Másrészt az ImageAI-nál néhány sornyi kódra lesz szükség ahhoz, hogy ezt elérjük.

Az ingyenes, nyílt forráskódú ImageAI könyvtár nagyon népszerű, és világszerte kedvelték a diákok, kutatók, fejlesztők és szakértők, hogy könnyedén, könnyedén állítson elő fejlett mesterséges intelligencia termékeket és megoldásokat.

Previous Next

Az ImageAI használatának megkezdése

Javasoljuk, hogy az ImageAI-t pip-en keresztül telepítse, kérjük, futtassa a következő python telepítési parancsokat.

Telepítse az ImageAI-t pip-en keresztül

pip3 install imageai --upgrade

Kép-előrejelzés Python API-kon keresztül

A nyílt forráskódú ImageAI könyvtár lehetővé teszi a szoftverfejlesztők számára, hogy néhány sornyi kóddal hozzáadják az Image Prediction képességeket saját python-alkalmazásaikhoz. A könyvtár 4 különböző algoritmust és modelltípust tartalmaz a kép-előrejelzés végrehajtásához, mint például a SqueezeNet, a ResNet, az InceptionV3 és a DenseNet. Ne feledje, hogy ezeknek az algoritmusoknak mindegyikének külön modellfájlja van, amelyeket a felhasználóknak az algoritmus választásától függően kell használniuk. A könyvtár előrejelzési sebességet is kínál minden kép-előrejelzési feladathoz, például alapértelmezés szerint normál, gyors, gyorsabb és leggyorsabb.

Képelőrejelzés végrehajtása Python segítségével

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)

Képobjektum-észlelés a Python-alkalmazásokban

Az objektumészlelés egy csodálatos számítógépes látástechnika, amely lehetővé teszi a szoftverfejlesztők számára, hogy azonosítsák és megtalálják az objektumokat a képen vagy a videón belül. Az ImageAI könyvtár nagyon hasznos módszereket tartalmaz a képeken lévő objektumészlelés végrehajtására és az egyes objektumok kinyerésére a képből. Támogatta a RetinaNet, a YOLOv3 és a TinyYOLOv3 rendszereket, a nagy teljesítmény és a valós idejű feldolgozás elérésének lehetőségeivel.

Videoobjektum észlelés Python segítségével

Ugyanúgy, mint a képeken belüli objektumészlelés, az ImageAI könyvtár nagyon hatékony és egyszerű módszert kínál a videókon belüli objektumok észlelésére és követésére Python parancsok segítségével. A zökkenőmentes videoobjektum-észlelés érdekében le kell töltenie a RetinaNet, a YOLOv3 vagy a TinyYOLOv3 objektumészlelési modellt. Az objektumészlelési modellfájl sikeres letöltése után másolja a modellfájlt abba a projekt mappába, ahová a .py fájlok mentésre kerülnek. Mivel a videoobjektum-észlelés nagyon kimerítő feladat, tanácsos NVIDIA GPU-val és a Tensorflow GPU-s verziójával rendelkező számítógépet használni.

Videoobjektum észlelés Python segítségével

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)

Használja az Egyedi Modell-oktatói lehetőséget

A nyílt forráskódú ImageAI könyvtár lehetővé teszi a szoftverfejlesztők számára, hogy könnyen képezzenek egyéni kép-előrejelzési modelleket. Lehetővé teszi a fejlesztők számára, hogy saját modelljüket képezzék bármilyen képkészletre, amely bármilyen típusú objektumnak felel meg. A képzési eljárások egy JSON-fájlt hoznak létre, amely leképezi az objektumtípusokat a képadatkészletben, és sok modellt hoz létre. Ezután a munka egyszerűvé válik, ki kell választania a legnagyobb pontossággal a modellt, és egyéni kép-előrejelzést kell végrehajtania.

Alkalmazza az egyéni modellképzést

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)
 Magyar