สร้างผลิตภัณฑ์ AI ขั้นสูงผ่าน Python API ฟรี

เริ่มต้นใช้งาน ImageAI

ขอแนะนำให้ติดตั้ง ImageAI ผ่าน pip โปรดเรียกใช้คำสั่งการติดตั้ง python ต่อไปนี้

pip3 install imageai --upgrade

การทำนายภาพผ่าน Python APIs

ไลบรารี ImageAI แบบโอเพ่นซอร์สช่วยให้นักพัฒนาซอฟต์แวร์สามารถเพิ่มความสามารถในการทำนายภาพในแอปพลิเคชันหลามของตนเองได้โดยใช้โค้ดเพียงไม่กี่บรรทัด ไลบรารีได้รวมอัลกอริธึมและประเภทโมเดลที่แตกต่างกัน 4 แบบเพื่อทำการคาดการณ์ภาพ เช่น SqueezeNet, ResNet, InceptionV3 และ DenseNet โปรดจำไว้ว่าแต่ละอัลกอริธึมเหล่านี้มีไฟล์โมเดลแยกกันซึ่งผู้ใช้จำเป็นต้องใช้ขึ้นอยู่กับทางเลือกของอัลกอริธึม ไลบรารียังมีความเร็วในการคาดการณ์สำหรับงานทำนายภาพทั้งหมด เช่น ปกติโดยค่าเริ่มต้น เร็ว เร็วขึ้น และเร็วที่สุด

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)

การตรวจจับวัตถุภาพในแอป Python

การตรวจจับวัตถุเป็นเทคนิคการมองเห็นด้วยคอมพิวเตอร์ที่น่าทึ่งซึ่งช่วยให้นักพัฒนาซอฟต์แวร์สามารถระบุและค้นหาวัตถุในภาพหรือภายในวิดีโอได้ ไลบรารี ImageAI ได้รวมวิธีการที่มีประโยชน์มากในการตรวจจับวัตถุบนภาพและแยกแต่ละวัตถุออกจากภาพ รองรับ RetinaNet, YOLOv3 และ TinyYOLOv3 พร้อมตัวเลือกเพื่อให้ได้ประสิทธิภาพสูงและการประมวลผลแบบเรียลไทม์

การตรวจจับวัตถุวิดีโอผ่าน Python

เช่นเดียวกับการตรวจจับวัตถุภายในรูปภาพ ไลบรารี ImageAI ได้จัดเตรียมวิธีการที่มีประสิทธิภาพและง่ายดายในการตรวจจับและติดตามวัตถุภายในวิดีโอโดยใช้คำสั่งหลาม เพื่อการตรวจจับวัตถุวิดีโอที่ราบรื่น คุณต้องดาวน์โหลดโมเดลการตรวจจับวัตถุ RetinaNet, YOLOv3 หรือ TinyYOLOv3 หลังจากดาวน์โหลดไฟล์โมเดลการตรวจหาอ็อบเจ็กต์สำเร็จแล้ว โปรดคัดลอกไฟล์โมเดลไปยังโฟลเดอร์โปรเจ็กต์ที่จะบันทึกไฟล์ .py เนื่องจากการตรวจจับวัตถุวิดีโอเป็นงานที่ละเอียดถี่ถ้วน ขอแนะนำให้ใช้คอมพิวเตอร์ที่มี NVIDIA GPU และ Tensorflow เวอร์ชัน GPU

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)

ใช้สถานที่ฝึกอบรมแบบจำลองที่กำหนดเอง

ไลบรารี ImageAI แบบโอเพนซอร์สช่วยให้นักพัฒนาซอฟต์แวร์สามารถฝึกโมเดลการทำนายภาพที่กำหนดเองได้อย่างง่ายดาย ช่วยให้นักพัฒนาสามารถฝึกโมเดลของตนเองบนชุดรูปภาพใดๆ ที่สอดคล้องกับวัตถุประเภทใดก็ได้ ไฟล์ JSON จะถูกสร้างขึ้นโดยขั้นตอนการฝึกอบรม ซึ่งจะจับคู่ประเภทวัตถุในชุดข้อมูลรูปภาพและสร้างแบบจำลองจำนวนมาก หลังจากนั้น งานก็ง่าย คุณต้องเลือกแบบจำลองที่มีความแม่นยำสูงสุดและดำเนินการทำนายภาพที่กำหนดเอง

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)