1. Продукти
  2.   Зображення
  3.   Python
  4.   ImageAI
 
  

Створюйте вдосконалені продукти AI за допомогою безкоштовного API Python

API Python з відкритим кодом для розробки додатків і систем із автономним глибоким навчанням і можливостями комп’ютерного зору.

ImageAI — це проста, але дуже потужна та вдосконалена бібліотека Python з відкритим вихідним кодом, яка дає розробникам програмного забезпечення можливість розробляти програми та програмні утиліти з автономним глибоким навчанням і можливостями комп’ютерного бачення. Бібліотека містить кілька розширених функцій, пов’язаних із розпізнаванням зображень, виявленням об’єктів, виявленням об’єктів у відео, навчанням користувацьких моделей розпізнавання, аналізом каналів відео та камери та розпізнаванням об’єктів за допомогою моделей.

Бібліотека проста у використанні та дозволяє програмістам легко інтегрувати розширені можливості штучного інтелекту у свої програми та системи за допомогою лише кількох рядків коду Python. Існують інші бібліотеки, які також можуть надати вам функції, пов’язані зі штучним інтелектом, наприклад Tensor Flow, OpenCV і Keras, але для цього вам знадобиться написати велику кількість коду. З іншого боку, з ImageAI для цього знадобиться кілька рядків коду.

Безкоштовна бібліотека ImageAI з відкритим вихідним кодом дуже популярна, і вона сподобалася студентам, дослідникам, розробникам і експертам у всьому світі, щоб легко створювати передові продукти та рішення штучного інтелекту.

Previous Next

Початок роботи з ImageAI

Рекомендовано інсталювати ImageAI через pip, запустіть наступні команди встановлення Python.

Встановіть ImageAI через pip

pip3 install imageai --upgrade

Прогноз зображення через API Python

Бібліотека ImageAI з відкритим вихідним кодом дозволяє розробникам програмного забезпечення додавати можливості Image Prediction у власні програми на Python за допомогою лише кількох рядків коду. Бібліотека містить 4 різні алгоритми та типи моделей для прогнозування зображення, наприклад SqueezeNet, ResNet, InceptionV3 та DenseNet. Будь ласка, пам’ятайте, що кожен із цих алгоритмів має окремі файли моделі, які користувачі мають використовувати залежно від вибору алгоритму. Бібліотека також пропонує швидкості прогнозування для всіх завдань прогнозування зображень, наприклад, нормальний за замовчуванням, швидкий, швидший і найшвидший.

Виконайте передбачення зображень за допомогою 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)

Виявлення об’єктів зображення в програмах Python

Виявлення об’єктів — це дивовижна техніка комп’ютерного зору, яка дає розробникам програмного забезпечення можливість ідентифікувати та знаходити об’єкти на зображенні чи у відео. Бібліотека ImageAI містить дуже корисні методи для виявлення об’єктів на зображеннях і вилучення кожного об’єкта із зображення. Він забезпечив підтримку RetinaNet, YOLOv3 і TinyYOLOv3 з опціями для досягнення високої продуктивності та обробки в реальному часі.

Виявлення відеооб'єктів через Python

Подібно до виявлення об’єктів усередині зображень, бібліотека ImageAI надала дуже потужний і простий метод для виявлення та відстеження об’єктів у відео за допомогою команд Python. Для плавного виявлення об’єктів відео вам потрібно завантажити модель виявлення об’єктів RetinaNet, YOLOv3 або TinyYOLOv3. Після успішного завантаження файлу моделі виявлення об’єктів скопіюйте файл моделі в папку проекту, де будуть збережені файли .py. Оскільки виявлення відеооб’єктів є дуже складним завданням, рекомендується використовувати комп’ютер із графічним процесором NVIDIA та версією графічного процесора Tensorflow.

Виявлення відеооб'єктів через 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)

Використовуйте спеціальну модель навчання

Бібліотека ImageAI з відкритим вихідним кодом дозволяє розробникам програмного забезпечення легко навчати спеціальні моделі прогнозування зображення. Це дозволяє розробникам тренувати власну модель на будь-якому наборі зображень, що відповідає будь-якому типу об’єкта. Файл JSON буде створено за допомогою процедур навчання, які відобразять типи об’єктів у наборі даних зображення та створять багато моделей. Після цього робота стає легкою, вам потрібно вибрати модель з найвищою точністю та виконати індивідуальне прогнозування зображення.

Застосуйте навчання спеціальної моделі

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)
 Українська