1. Produse
  2.   Imagine
  3.   Python
  4.   ImageAI
 
  

Creați produse AI avansate prin API-ul Python gratuit

API-uri Python cu sursă deschisă pentru a dezvolta aplicații și sisteme cu capacități autonome de învățare profundă și viziune pe computer.

ImageAI este o bibliotecă Python open source simplă, dar foarte puternică și avansată, care oferă dezvoltatorilor de software puterea de a dezvolta aplicații și utilități software cu capacități autonome de învățare profundă și viziune pe computer. Biblioteca a inclus mai multe funcții avansate legate de recunoașterea imaginilor, detectarea obiectelor, detectarea obiectelor în videoclipuri, formarea modelelor de recunoaștere personalizată, analiza fluxului video și a camerei și recunoașterea obiectelor cu modelele.

Biblioteca este ușor de utilizat și permite programatorilor de software să integreze cu ușurință capabilități avansate de inteligență artificială în aplicațiile și sistemele lor cu doar câteva linii de cod Python. Există și alte biblioteci care vă pot oferi și funcții legate de AI, cum ar fi Tensor Flow, OpenCV și Keras, dar care va trebui să scrieți o cantitate mare de cod. Pe de altă parte, cu ImageAI, vor fi necesare câteva linii de cod pentru a-l realiza.

Biblioteca gratuită ImageAI cu sursă deschisă este foarte populară și a fost apreciată de studenți, cercetători, dezvoltatori și experți din întreaga lume pentru a produce fără efort produse și soluții avansate de inteligență artificială cu ușurință

Previous Next

Noțiuni introductive cu ImageAI

Este recomandat să instalați ImageAI prin pip, rulați următoarele comenzi de instalare Python.

Instalați ImageAI prin pip

pip3 install imageai --upgrade

Predicția imaginii prin intermediul API-urilor Python

Biblioteca ImageAI cu sursă deschisă permite dezvoltatorilor de software să adauge capabilități de predicție a imaginilor în propriile aplicații Python cu doar câteva linii de cod. Biblioteca a inclus 4 algoritmi diferiți și tipuri de modele pentru a efectua predicția imaginilor, cum ar fi SqueezeNet, ResNet, InceptionV3 și DenseNet. Vă rugăm să rețineți că fiecare dintre acești algoritmi are fișiere model separate pe care utilizatorii trebuie să le utilizeze în funcție de alegerea algoritmului. Biblioteca oferă, de asemenea, viteze de predicție pentru toate sarcinile de predicție a imaginilor, cum ar fi normal în mod implicit, rapid, mai rapid și cel mai rapid.

Efectuați predicția imaginii prin 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)

Detectarea obiectelor de imagine în aplicațiile Python

Detectarea obiectelor este o tehnică uimitoare de viziune pe computer care oferă dezvoltatorilor de software capacitatea de a identifica și localiza obiecte într-o imagine sau în interiorul unui videoclip. Biblioteca ImageAI a inclus metode foarte utile pentru a realiza detectarea obiectelor pe imagini și a extrage fiecare obiect din imagine. A oferit suport pentru RetinaNet, YOLOv3 și TinyYOLOv3, cu opțiuni pentru a obține performanțe ridicate și procesare în timp real.

Detectarea obiectelor video prin Python

La fel ca și detectarea obiectelor din interiorul imaginilor, biblioteca ImageAI a oferit o metodă foarte puternică și ușoară pentru detectarea și urmărirea obiectelor din interiorul videoclipurilor folosind comenzile Python. Pentru detectarea fluidă a obiectelor video, trebuie să descărcați modelul de detectare a obiectelor RetinaNet, YOLOv3 sau TinyYOLOv3. După descărcarea cu succes a fișierului model de detectare a obiectelor, vă rugăm să copiați fișierul model în folderul proiectului unde vor fi salvate fișierele .py. Deoarece detectarea obiectelor video este o sarcină foarte exhaustivă, se recomandă utilizarea unui computer cu un GPU NVIDIA și versiunea GPU a Tensorflow.

Detectarea obiectelor video prin 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)

Utilizați un model personalizat de formare

Biblioteca open source ImageAI permite dezvoltatorilor de software să antreneze cu ușurință modele personalizate de predicție a imaginilor. Permite dezvoltatorilor să-și antreneze propriul model pe orice set de imagini care corespund oricărui tip de obiect. Un fișier JSON va fi creat de procedurile de antrenament care va mapa tipurile de obiecte din setul de date de imagine și va crea o mulțime de modele. După aceea, munca este ușoară, trebuie să alegeți modelul cu cea mai mare acuratețe și să efectuați o predicție personalizată a imaginii.

Aplicați antrenamentul personalizat pentru modele

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)
 Română