ImageAI
ImageAI - PyTorch pretrained models
Une bibliothèque Python open source conçue pour permettre aux développeurs de créer des applications et des systèmes dotés de fonctionnalités autonomes de Deep Learning et de Computer Vision à l'aide de quelques lignes de code simples.
Si vous souhaitez parrainer ce projet, veuillez visiter la page des sponsors de Github .
Nous, créateurs d'ImageAI, sommes heureux d'annoncer 2 nouveaux projets d'IA pour fournir une IA générative, un LLM et une compréhension d'image de pointe sur votre ordinateur personnel et vos serveurs.
Installez Jarvis sur PC/Mac pour configurer un accès illimité aux chats IA propulsés par LLM pour vos besoins quotidiens de travail, de recherche et d'IA générative avec 100 % de confidentialité et une capacité hors ligne complète.
Visitez https://jarvis.genxr.co pour commencer.
TheiaEngine, l'API d'IA de vision par ordinateur de nouvelle génération, capable d'effectuer toutes les tâches de vision par ordinateur générative et compréhensive en un seul appel d'API et disponible via l'API REST pour tous les langages de programmation. Les fonctionnalités incluent
Visitez https://www.genxr.co/theia-engine pour essayer la démo et participer aux tests bêta dès aujourd'hui.
Développé et maintenu par Moses Olafenwa
Conçu dans un souci de simplicité, ImageAI prend en charge une liste d'algorithmes d'apprentissage automatique de pointe pour la prédiction d'images, la prédiction d'images personnalisées, la détection d'objets, la détection vidéo, le suivi d'objets vidéo et les formations de prédiction d'images. ImageAI prend actuellement en charge la prédiction et la formation d'images à l'aide de 4 algorithmes d'apprentissage automatique différents formés sur l'ensemble de données ImageNet-1000. ImageAI prend également en charge la détection d'objets, la détection vidéo et le suivi d'objets à l'aide de RetinaNet, YOLOv3 et TinyYOLOv3 formés sur l'ensemble de données COCO. Enfin, ImageAI vous permet de former des modèles personnalisés pour effectuer la détection et la reconnaissance de nouveaux objets.
À terme, ImageAI prendra en charge des aspects plus larges et plus spécialisés de la vision par ordinateur.
Nouvelle version : ImageAI 3.0.2
Quoi de neuf:
Pour installer ImageAI, exécutez les instructions d'installation de Python ci-dessous dans la ligne de commande :
Téléchargez et installez Python 3.7 , Python 3.8 , Python 3.9 ou Python 3.10
Installer les dépendances
CPU : Téléchargez le fichier exigences.txt et installez via la commande
pip install -r requirements.txt
ou copiez et exécutez simplement la commande ci-dessous
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 : Téléchargez le fichier Requirements_gpu.txt et installez via la commande
pip install -r requirements_gpu.txt
ou copiez simplement et exécutez la commande ci-dessous
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
Si vous envisagez de former des modèles d'IA personnalisés, téléchargez le fichier Requirements_extra.txt et installez-le via la commande
pip install -r requirements_extra.txt
ou copiez et exécutez simplement la commande ci-dessous
pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
Exécutez ensuite la commande ci-dessous pour installer ImageAI
pip install imageai --upgrade
Classement des images |
 ImageAI fournit 4 algorithmes et types de modèles différents pour effectuer la prédiction d'images, formés sur l'ensemble de données ImageNet-1000. Les 4 algorithmes fournis pour la prédiction d'images incluent MobileNetV2, ResNet50, InceptionV3 et DenseNet121. Cliquez sur le lien ci-dessous pour voir les exemples complets de codes, les explications et le guide des meilleures pratiques. |
Détection d'objet |
 ImageAI fournit des méthodes très pratiques et puissantes pour effectuer la détection d'objets sur des images et extraire chaque objet de l'image. La classe de détection d'objets prend en charge RetinaNet, YOLOv3 et TinyYOLOv3, avec des options d'ajustement pour des performances de pointe ou un traitement en temps réel. Cliquez sur le lien ci-dessous pour voir les exemples complets de codes, les explications et le guide des meilleures pratiques. |
Détection et analyse d'objets vidéo |
 ImageAI fournit des méthodes très pratiques et puissantes pour effectuer la détection d'objets dans les vidéos. La classe de détection d'objets vidéo fournie prend uniquement en charge l'état de l'art actuel de RetinaNet. Cliquez sur le lien pour voir les vidéos complètes, les exemples de codes, les explications et le guide des meilleures pratiques. |
Formation sur le modèle de classification personnalisée |
 ImageAI fournit des classes et des méthodes vous permettant de former un nouveau modèle pouvant être utilisé pour effectuer des prédictions sur vos propres objets personnalisés. Vous pouvez entraîner vos modèles personnalisés à l'aide de MobileNetV2, ResNet50, InceptionV3 et DenseNet en 5 lignes de code. Cliquez sur le lien ci-dessous pour voir le guide de préparation des images de formation, des exemples de codes de formation, des explications et les meilleures pratiques. |
Classification des modèles personnalisés |
 ImageAI fournit des classes et des méthodes pour vous permettre d'exécuter la prédiction d'image de vos propres objets personnalisés à l'aide de votre propre modèle formé avec la classe ImageAI Model Training. Vous pouvez utiliser vos modèles personnalisés formés avec MobileNetV2, ResNet50, InceptionV3 et DenseNet et le fichier JSON contenant le mappage des noms d'objets personnalisés. Cliquez sur le lien ci-dessous pour voir le guide contenant des exemples de codes de formation, des explications et un guide des meilleures pratiques. |
Formation sur le modèle de détection personnalisé |
 ImageAI fournit des classes et des méthodes pour vous permettre de former de nouveaux modèles de détection d'objets YOLOv3 ou TinyYOLOv3 sur votre ensemble de données personnalisé. Cela signifie que vous pouvez entraîner un modèle à détecter littéralement n'importe quel objet d'intérêt en fournissant les images, les annotations et la formation avec ImageAI. Cliquez sur le lien ci-dessous pour voir le guide contenant des exemples de codes de formation, des explications et un guide des meilleures pratiques. |
Détection d'objets personnalisés |
 ImageAI fournit désormais des classes et des méthodes pour vous permettre de détecter et de reconnaître vos propres objets personnalisés dans les images à l'aide de votre propre modèle entraîné avec la classe DetectionModelTrainer. Vous pouvez utiliser votre modèle YOLOv3 ou TinyYOLOv3 formé personnalisé et le fichier **.json** généré pendant la formation. Cliquez sur le lien ci-dessous pour voir le guide contenant des exemples de codes de formation, des explications et un guide des meilleures pratiques. |
Détection et analyse d'objets vidéo personnalisés |
 ImageAI fournit désormais des classes et des méthodes pour vous permettre de détecter et de reconnaître vos propres objets personnalisés dans les images à l'aide de votre propre modèle entraîné avec la classe DetectionModelTrainer. Vous pouvez utiliser votre modèle YOLOv3 ou TinyYOLOv3 formé personnalisé et le fichier **.json** généré pendant la formation. Cliquez sur le lien ci-dessous pour voir le guide contenant des exemples de codes de formation, des explications et un guide des meilleures pratiques. |
Nous avons fourni une documentation complète pour toutes les classes et fonctions ImageAI . Visitez le lien ci-dessous:
ImageAI fournit des implémentations abstraites et pratiques de technologies de vision par ordinateur de pointe. Toutes les implémentations et le code d'ImageAI peuvent fonctionner sur n'importe quel système informatique doté d'une capacité CPU modérée. Cependant, la vitesse de traitement des opérations telles que la prédiction d'images, la détection d'objets et autres sur le processeur est lente et ne convient pas aux applications en temps réel. Pour effectuer des opérations de Computer Vision en temps réel avec des performances élevées, vous devez utiliser des technologies compatibles GPU.
ImageAI utilise le backbone PyTorch pour ses opérations de Computer Vision. PyTorch prend en charge à la fois les processeurs et les GPU (plus précisément les GPU NVIDIA. Vous pouvez en obtenir un pour votre PC ou en obtenir un qui en possède un) pour les implémentations d'algorithmes d'apprentissage automatique et d'intelligence artificielle.
Pour toute personne intéressée par la création de systèmes d’IA et leur utilisation à des fins commerciales, économiques, sociales et de recherche, il est essentiel qu’elle connaisse les impacts positifs, négatifs et sans précédent probables que l’utilisation de telles technologies aura. Ils doivent également connaître les approches et les pratiques recommandées par des experts expérimentés du secteur pour garantir que chaque utilisation de l’IA apporte un bénéfice global à l’humanité. Nous recommandons donc à tous ceux qui souhaitent utiliser ImageAI et d'autres outils et ressources d'IA de lire la publication de Microsoft de janvier 2018 sur l'IA intitulée « The Future Computed : Artificial Intelligence and its role in Society ». Veuillez suivre le lien ci-dessous pour télécharger la publication.
https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society
Vous pouvez citer ImageAI dans vos projets et articles de recherche via l'entrée BibTeX ci-dessous.
@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--"
}
