ImageAI
ImageAI - PyTorch pretrained models
Eine Open-Source-Python-Bibliothek, die Entwickler in die Lage versetzt, Anwendungen und Systeme mit eigenständigen Deep-Learning- und Computer-Vision-Funktionen mit einfachen und wenigen Codezeilen zu erstellen.
Wenn Sie dieses Projekt sponsern möchten, besuchen Sie bitte die Github-Sponsorenseite .
Wir, die Macher von ImageAI, freuen uns, zwei neue KI-Projekte bekannt zu geben, die hochmoderne generative KI, LLM und Bildverständnis auf Ihrem PC und Ihren Servern bereitstellen.
Installieren Sie Jarvis auf einem PC/Mac, um unbegrenzten Zugriff auf LLM-gestützte KI-Chats für Ihre tägliche Arbeit, Forschung und generative KI-Anforderungen mit 100 % Privatsphäre und vollständiger Offline-Fähigkeit einzurichten.
Besuchen Sie https://jarvis.genxr.co, um loszulegen.
TheiaEngine, die Computer-Vision-KI-API der nächsten Generation, die alle generativen und verstehenden Computer-Vision-Aufgaben in einem einzigen API-Aufruf ausführen kann und über die REST-API für alle Programmiersprachen verfügbar ist. Zu den Funktionen gehören
Besuchen Sie https://www.genxr.co/theia-engine, um die Demo auszuprobieren und noch heute am Betatest teilzunehmen.
Entwickelt und gepflegt von Moses Olafenwa
ImageAI ist auf Einfachheit ausgelegt und unterstützt eine Liste hochmoderner Algorithmen für maschinelles Lernen für Bildvorhersage, benutzerdefinierte Bildvorhersage, Objekterkennung, Videoerkennung, Videoobjektverfolgung und Bildvorhersageschulungen. ImageAI unterstützt derzeit die Bildvorhersage und das Training mithilfe von vier verschiedenen Algorithmen für maschinelles Lernen, die auf dem ImageNet-1000-Datensatz trainiert wurden. ImageAI unterstützt auch Objekterkennung, Videoerkennung und Objektverfolgung mithilfe von RetinaNet, YOLOv3 und TinyYOLOv3, die auf dem COCO-Datensatz trainiert wurden. Schließlich können Sie mit ImageAI benutzerdefinierte Modelle trainieren, um die Erkennung und Erkennung neuer Objekte durchzuführen.
Schließlich wird ImageAI umfassendere und speziellere Aspekte des Computer Vision unterstützen
Neue Version: ImageAI 3.0.2
Was ist neu:
Um ImageAI zu installieren, führen Sie die folgende Python-Installationsanweisung in der Befehlszeile aus:
Laden Sie Python 3.7 , Python 3.8 , Python 3.9 oder Python 3.10 herunter und installieren Sie es
Abhängigkeiten installieren
CPU : Laden Sie die Datei „requirements.txt“ herunter und installieren Sie sie über den Befehl
pip install -r requirements.txt
oder kopieren Sie einfach den folgenden Befehl und führen Sie ihn aus
pip install cython pillow>=7.0.0 numpy>=1.18.1 opencv-python>=4.1.2 torch>=1.9.0 --extra-index-url https://download.pytorch.org/whl/cpu torchvision>=0.10.0 --extra-index-url https://download.pytorch.org/whl/cpu pytest==7.1.3 tqdm==4.64.1 scipy>=1.7.3 matplotlib>=3.4.3 mock==4.0.3
GPU/CUDA : Laden Sie die Datei „requirements_gpu.txt“ herunter und installieren Sie sie über den Befehl
pip install -r requirements_gpu.txt
Oder kopieren Sie einfach den folgenden Befehl und führen Sie ihn aus
pip install cython pillow>=7.0.0 numpy>=1.18.1 opencv-python>=4.1.2 torch>=1.9.0 --extra-index-url https://download.pytorch.org/whl/cu102 torchvision>=0.10.0 --extra-index-url https://download.pytorch.org/whl/cu102 pytest==7.1.3 tqdm==4.64.1 scipy>=1.7.3 matplotlib>=3.4.3 mock==4.0.3
Wenn Sie benutzerdefinierte KI-Modelle trainieren möchten, laden Sie die Datei „requirements_extra.txt“ herunter und installieren Sie sie über den Befehl
pip install -r requirements_extra.txt
oder kopieren Sie einfach den folgenden Befehl und führen Sie ihn aus
pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
Führen Sie dann den folgenden Befehl aus, um ImageAI zu installieren
pip install imageai --upgrade
Bildklassifizierung |
 ImageAI bietet vier verschiedene Algorithmen und Modelltypen zur Durchführung einer Bildvorhersage, die auf dem ImageNet-1000-Datensatz trainiert werden. Zu den vier für die Bildvorhersage bereitgestellten Algorithmen gehören MobileNetV2, ResNet50, InceptionV3 und DenseNet121. Klicken Sie auf den Link unten, um die vollständigen Beispielcodes, Erklärungen und den Best-Practices-Leitfaden anzuzeigen. |
Objekterkennung |
 ImageAI bietet sehr praktische und leistungsstarke Methoden zur Objekterkennung auf Bildern und zum Extrahieren jedes Objekts aus dem Bild. Die Objekterkennungsklasse bietet Unterstützung für RetinaNet, YOLOv3 und TinyYOLOv3 mit Optionen zur Anpassung an modernste Leistung oder Echtzeitverarbeitung. Klicken Sie auf den Link unten, um die vollständigen Beispielcodes, Erklärungen und den Best-Practice-Leitfaden anzuzeigen. |
Erkennung und Analyse von Videoobjekten |
 ImageAI bietet sehr praktische und leistungsstarke Methoden zur Objekterkennung in Videos. Die bereitgestellte Videoobjekterkennungsklasse unterstützt nur das aktuelle RetinaNet. Klicken Sie auf den Link, um die vollständigen Videos, Beispielcodes, Erklärungen und den Best-Practice-Leitfaden anzuzeigen. |
Schulung des benutzerdefinierten Klassifizierungsmodells |
 ImageAI bietet Klassen und Methoden, mit denen Sie ein neues Modell trainieren können, mit dem Sie Vorhersagen für Ihre eigenen benutzerdefinierten Objekte durchführen können. Sie können Ihre benutzerdefinierten Modelle mit MobileNetV2, ResNet50, InceptionV3 und DenseNet in 5 Codezeilen trainieren. Klicken Sie auf den Link unten, um den Leitfaden zur Vorbereitung von Schulungsbildern, Beispiel-Trainingscodes, Erklärungen und Best Practices anzuzeigen. |
Benutzerdefinierte Modellklassifizierung |
 ImageAI bietet Klassen und Methoden, mit denen Sie die Bildvorhersage Ihrer eigenen benutzerdefinierten Objekte mithilfe Ihres eigenen Modells ausführen können, das mit der ImageAI-Modelltrainingsklasse trainiert wurde. Sie können Ihre mit MobileNetV2, ResNet50, InceptionV3 und DenseNet trainierten benutzerdefinierten Modelle sowie die JSON-Datei verwenden, die die Zuordnung der benutzerdefinierten Objektnamen enthält. Klicken Sie auf den Link unten, um den Leitfaden mit Beispieltrainingscodes, Erklärungen und Best Practices anzuzeigen. |
Benutzerdefiniertes Erkennungsmodelltraining |
 ImageAI bietet Klassen und Methoden, mit denen Sie neue YOLOv3- oder TinyYOLOv3-Objekterkennungsmodelle auf Ihrem benutzerdefinierten Datensatz trainieren können. Das bedeutet, dass Sie einem Modell beibringen können, buchstäblich jedes Objekt von Interesse zu erkennen, indem Sie die Bilder, die Anmerkungen und das Training mit ImageAI bereitstellen. Klicken Sie auf den Link unten, um den Leitfaden mit Beispieltrainingscodes, Erklärungen und Best Practices anzuzeigen. |
Benutzerdefinierte Objekterkennung |
 ImageAI bietet jetzt Klassen und Methoden zum Erkennen und Erkennen Ihrer eigenen benutzerdefinierten Objekte in Bildern mithilfe Ihres eigenen Modells, das mit der Klasse DetectionModelTrainer trainiert wurde. Sie können Ihr individuell trainiertes YOLOv3- oder TinyYOLOv3-Modell und die während des Trainings generierte **.json**-Datei verwenden. Klicken Sie auf den Link unten, um den Leitfaden mit Beispieltrainingscodes, Erklärungen und Best Practices anzuzeigen. |
Benutzerdefinierte Videoobjekterkennung und -analyse |
 ImageAI bietet jetzt Klassen und Methoden zum Erkennen und Erkennen Ihrer eigenen benutzerdefinierten Objekte in Bildern mithilfe Ihres eigenen Modells, das mit der Klasse DetectionModelTrainer trainiert wurde. Sie können Ihr individuell trainiertes YOLOv3- oder TinyYOLOv3-Modell und die während des Trainings generierte **.json**-Datei verwenden. Klicken Sie auf den Link unten, um den Leitfaden mit Beispieltrainingscodes, Erklärungen und Best Practices anzuzeigen. |
Wir haben eine vollständige Dokumentation für alle ImageAI- Klassen und -Funktionen bereitgestellt. Besuchen Sie den folgenden Link:
ImageAI bietet abstrahierte und praktische Implementierungen modernster Computer Vision-Technologien. Alle Implementierungen und Codes von ImageAI können auf jedem Computersystem mit mäßiger CPU-Kapazität ausgeführt werden. Allerdings ist die Verarbeitungsgeschwindigkeit für Vorgänge wie Bildvorhersage, Objekterkennung und andere auf der CPU langsam und für Echtzeitanwendungen nicht geeignet. Um Echtzeit-Computer-Vision-Vorgänge mit hoher Leistung durchzuführen, müssen Sie GPU-fähige Technologien verwenden.
ImageAI nutzt das PyTorch-Backbone für seine Computer-Vision-Operationen. PyTorch unterstützt sowohl CPUs als auch GPUs (insbesondere NVIDIA-GPUs. Sie können eine für Ihren PC oder einen PC mit einer solchen erwerben) für die Implementierung von Algorithmen für maschinelles Lernen und künstliche Intelligenz.
Für jeden, der sich für den Aufbau von KI-Systemen und deren Nutzung für geschäftliche, wirtschaftliche, soziale und Forschungszwecke interessiert, ist es von entscheidender Bedeutung, dass er die wahrscheinlichen positiven, negativen und beispiellosen Auswirkungen kennt, die der Einsatz solcher Technologien haben wird. Sie müssen auch die von erfahrenen Branchenexperten empfohlenen Ansätze und Praktiken kennen, um sicherzustellen, dass jeder Einsatz von KI der Menschheit insgesamt einen Nutzen bringt. Wir empfehlen daher jedem, der ImageAI und andere KI-Tools und -Ressourcen nutzen möchte, die Veröffentlichung von Microsoft zum Thema KI vom Januar 2018 mit dem Titel „The Future Computed: Künstliche Intelligenz und ihre Rolle in der Gesellschaft“ zu lesen. Bitte folgen Sie dem untenstehenden Link, um die Publikation herunterzuladen.
https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society
Sie können ImageAI in Ihren Projekten und Forschungsarbeiten über den BibTeX- Eintrag unten zitieren.
@misc {ImageAI,
author = "Moses",
title = "ImageAI, an open source python library built to empower developers to build applications and systems with self-contained Computer Vision capabilities",
url = "https://github.com/OlafenwaMoses/ImageAI",
month = "mar",
year = "2018--"
}
