Crea prodotti di intelligenza artificiale avanzati tramite l'API Python gratuita
API Python open source per lo sviluppo di applicazioni e sistemi con capacità autonome di deep learning e visione artificiale.
ImageAI è una libreria Python open source semplice ma molto potente e avanzata che offre agli sviluppatori di software la possibilità di sviluppare applicazioni e utilità software con capacità di deep learning e computer vision autonome. La libreria include diverse funzionalità avanzate relative al riconoscimento delle immagini, al rilevamento degli oggetti, al rilevamento degli oggetti nei video, all'addestramento di modelli di riconoscimento personalizzato, all'analisi dei feed di video e telecamere e al riconoscimento degli oggetti con i modelli.
La libreria è facile da usare e consente ai programmatori di software di integrare facilmente capacità avanzate di Intelligenza Artificiale nelle loro applicazioni e sistemi con solo un paio di righe di codice Python. Esistono altre librerie che possono anche fornirti funzionalità relative all'intelligenza artificiale come Tensor Flow, OpenCV e Keras, ma ciò richiederà la scrittura di una grande quantità di codice. D'altra parte con ImageAI saranno necessarie un paio di righe di codice per ottenerlo.
La libreria open source gratuita ImageAI è molto popolare ed è stata apprezzata da studenti, ricercatori, sviluppatori ed esperti di tutto il mondo per produrre facilmente prodotti e soluzioni avanzate di intelligenza artificiale con facilità
Guida introduttiva a ImageAI
Si consiglia di installare ImageAI tramite pip, eseguire i seguenti comandi di installazione di Python.
Installa ImageAI tramite pip
pip3 install imageai --upgradePrevisione delle immagini tramite le API Python
La libreria open source ImageAI consente agli sviluppatori di software di aggiungere funzionalità di previsione dell'immagine nelle proprie applicazioni Python con solo un paio di righe di codice. La libreria include 4 diversi algoritmi e tipi di modello per eseguire la previsione delle immagini, come SqueezeNet, ResNet, InceptionV3 e DenseNet. Ricorda che ciascuno di questi algoritmi ha file di modello separati che gli utenti devono utilizzare a seconda della scelta dell'algoritmo. La libreria offre anche velocità di previsione per tutte le attività di previsione delle immagini come normale per impostazione predefinita, veloce, più veloce e più veloce.
Eseguire la previsione immagine tramite 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)
Rilevamento oggetti immagine in App Python
Il rilevamento di oggetti è una straordinaria tecnica di visione artificiale che offre agli sviluppatori di software la possibilità di identificare e localizzare oggetti in un'immagine o all'interno di un video. La libreria ImageAI ha incluso metodi molto utili per eseguire il rilevamento di oggetti sulle immagini ed estrarre ogni oggetto dall'immagine. Ha fornito supporto per RetinaNet, YOLOv3 e TinyYOLOv3, con opzioni per ottenere prestazioni elevate ed elaborazione in tempo reale.
Rilevamento di oggetti video tramite Python
Come per il rilevamento degli oggetti all'interno delle immagini, la libreria ImageAI ha fornito un metodo molto potente e semplice per rilevare e tracciare gli oggetti all'interno dei video utilizzando i comandi python. Per un rilevamento di oggetti video fluido, è necessario scaricare il modello di rilevamento di oggetti RetinaNet, YOLOv3 o TinyYOLOv3. Dopo aver scaricato correttamente il file del modello di rilevamento degli oggetti, copiare il file del modello nella cartella del progetto in cui verranno salvati i file .py. Poiché il rilevamento di oggetti video è un'attività molto esauriente, si consiglia di utilizzare un computer con una GPU NVIDIA e la versione GPU di Tensorflow.
Rilevamento di oggetti video tramite 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)
Utilizzare la struttura di addestramento del modello personalizzato
La libreria open source ImageAI consente agli sviluppatori di software di addestrare facilmente modelli di previsione delle immagini personalizzati. Consente agli sviluppatori di addestrare il proprio modello su qualsiasi insieme di immagini che corrisponda a qualsiasi tipo di oggetto. Un file JSON verrà creato dalle procedure di addestramento che mapperanno i tipi di oggetti nel set di dati dell'immagine e creeranno molti modelli. Dopodiché il lavoro è facile, è necessario selezionare il modello con la massima precisione ed eseguire una previsione dell'immagine personalizzata.
Applica la formazione personalizzata del modello
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)
