1. Produk
  2.   Imej
  3.   Python
  4.   ImageAI
 
  

Buat Produk AI Lanjutan melalui API Python Percuma

API Python Sumber Terbuka untuk Membangunkan Aplikasi dan Sistem dengan keupayaan pembelajaran mendalam dan penglihatan komputer serba lengkap.

ImageAI ialah perpustakaan Python sumber terbuka yang ringkas tetapi sangat berkuasa & canggih yang memberikan pembangun perisian kuasa untuk membangunkan aplikasi dan utiliti perisian dengan pembelajaran mendalam yang serba lengkap dan keupayaan penglihatan komputer. Perpustakaan ini telah menyertakan beberapa ciri lanjutan yang berkaitan dengan pengecaman imej, pengesanan objek, pengesanan objek dalam Video, latihan model Pengecaman Tersuai, analisis suapan video dan kamera serta mengecam objek dengan model tersebut.

Perpustakaan ini mudah digunakan dan memperkasakan pengaturcara perisian untuk menyepadukan dengan mudah keupayaan Kecerdasan Buatan lanjutan ke dalam aplikasi dan sistem mereka dengan hanya beberapa baris kod python. Terdapat perpustakaan lain yang juga boleh memberikan anda ciri berkaitan AI seperti Tensor Flow, OpenCV dan Keras, tetapi itu memerlukan anda menulis sejumlah besar kod. Sebaliknya dengan ImageAI, beberapa baris kod akan diperlukan untuk mencapainya.

Pustaka ImageAI sumber terbuka percuma sangat popular dan telah disukai oleh pelajar, penyelidik, pembangun dan pakar di seluruh dunia untuk menghasilkan produk dan penyelesaian kecerdasan buatan termaju dengan mudah dengan mudah

Previous Next

Bermula dengan ImageAI

Adalah disyorkan untuk memasang ImageAI melalui pip, sila jalankan arahan pemasangan python berikut.

Pasang ImageAI melalui pip

pip3 install imageai --upgrade

Ramalan Imej melalui API Python

Pustaka ImageAI sumber terbuka membolehkan pembangun perisian menambah keupayaan Ramalan Imej ke dalam aplikasi python mereka sendiri dengan hanya beberapa baris kod. Perpustakaan telah menyertakan 4 algoritma dan jenis model yang berbeza untuk melaksanakan ramalan imej, seperti SqueezeNet, ResNet, InceptionV3 dan DenseNet. Sila ingat bahawa setiap algoritma ini mempunyai fail model berasingan yang perlu digunakan oleh pengguna bergantung pada pilihan algoritma. Pustaka juga menawarkan kelajuan ramalan untuk semua tugas ramalan imej seperti biasa secara lalai, pantas, lebih pantas dan terpantas.

Lakukan Ramalan Imej melalui 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)

Pengesanan Objek Imej dalam Aplikasi Python

Pengesanan objek ialah teknik penglihatan komputer yang menakjubkan yang memberikan pembangun perisian keupayaan untuk mengenal pasti dan mengesan objek dalam imej atau dalam video. Pustaka ImageAI telah memasukkan kaedah yang sangat berguna untuk mencapai pengesanan objek pada imej dan mengekstrak setiap objek daripada imej. Ia telah menyediakan sokongan untuk RetinaNet, YOLOv3, dan TinyYOLOv3, dengan pilihan untuk mencapai prestasi tinggi dan pemprosesan masa nyata.

Pengesanan Objek Video melalui Python

Sama seperti Pengesanan Objek dalam imej, perpustakaan ImageAI telah menyediakan kaedah yang sangat berkuasa dan mudah untuk mengesan dan menjejak objek dalam video menggunakan arahan python. Untuk pengesanan objek video yang lancar, anda perlu memuat turun model pengesanan objek RetinaNet, YOLOv3 atau TinyYOLOv3. Selepas berjaya memuat turun fail model pengesanan objek, sila salin fail model ke folder projek di mana fail .py akan disimpan. Memandangkan pengesanan objek video adalah tugas yang sangat lengkap, anda dinasihatkan untuk menggunakan komputer dengan GPU NVIDIA dan versi GPU Tensorflow.

Pengesanan Objek Video melalui 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)

Gunakan Kemudahan Latihan Model Tersuai

Pustaka ImageAI sumber terbuka membolehkan pembangun perisian melatih model ramalan imej tersuai dengan mudah. Ia membolehkan pembangun melatih model mereka sendiri pada mana-mana set imej yang sepadan dengan sebarang jenis objek. Fail JSON akan dibuat oleh prosedur latihan yang akan memetakan jenis objek dalam set data imej dan mencipta banyak model. Selepas itu kerja adalah mudah anda perlu memilih model dengan ketepatan tertinggi dan melakukan ramalan imej tersuai.

Gunakan Latihan Model Tersuai

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)
 Melayu