overeasy

Terlalu mudah

Ciptakan model visi zero-shot yang kuat!

Overeasy memungkinkan Anda merangkai model visi zero-shot untuk membuat alur end-to-end khusus untuk tugas-tugas seperti:

• Deteksi Kotak Batas

• Klasifikasi

• Segmentasi (Segera Hadir!)

Semua ini dapat dicapai tanpa perlu mengumpulkan dan memberi anotasi pada kumpulan data pelatihan yang besar.

Overeasy mempermudah penggabungan model zero-shot yang telah dilatih sebelumnya untuk membangun solusi visi komputer kustom yang kuat.

Instalasi

Semudah itu

 instalasi pip terlalu mudah

Untuk menginstal tambahan, lihat Dokumen kami.

Fitur Utama

• Agents : Alat khusus yang melakukan tugas pemrosesan gambar tertentu.

• Workflows : Tentukan urutan Agen untuk memproses gambar secara terstruktur.

• Execution Graphs : Mengelola dan memvisualisasikan alur pemrosesan gambar.

• Detections : Mewakili kotak pembatas, segmentasi, dan klasifikasi.

Dokumentasi

Untuk detail lebih lanjut tentang jenis, struktur perpustakaan, dan model yang tersedia, silakan merujuk ke Dokumen kami.

Contoh Penggunaan

Catatan: Jika Anda tidak memiliki GPU lokal, Anda dapat menjalankan contoh kami dengan membuat salinan notebook Colab ini.

Unduh contoh gambar

 !wget https://github.com/overeasy-sh/overeasy/blob/73adbaeba51f532a7023243266da826ed1ced6ec/examples/construction.jpg?raw=true -O konstruksi.jpg

Contoh alur kerja untuk mengidentifikasi apakah seseorang mengenakan APD di lokasi kerja:

 from overeasy import *from overeasy.models import OwlV2from PIL import Imageworkflow = Alur Kerja([# Deteksi setiap kepala di masukan imageBoundingBoxSelectAgent(classes=["kepala orang"], model=OwlV2()),# Menerapkan Penekanan Non-Maksimum untuk menghapus kotak pembatas yang tumpang tindihNMSAgent(iou_threshold=0.5, score_threshold=0),# Membagi gambar masukan menjadi gambar dari setiap headSplitAgent() yang terdeteksi,# Klasifikasikan gambar yang dipisahkan menggunakan CLIPClassificationAgent(classes=["hard hat", "no hard hat"]),# Memetakan nama kelas yang dikembalikanClassMapAgent({"hard hat": "has ppe", "no hard hat": "no ppe"}),# Menggabungkan hasil kembali menjadi BoundingBox DetectionJoinAgent()
])gambar = Gambar.open("./construction.jpg")hasil, grafik = alur kerja.eksekusi(gambar)alur kerja.visualisasi(grafik)

Diagram

Berikut diagram alur kerja ini. Setiap lapisan dalam grafik mewakili langkah dalam alur kerja:

Atribut gambar dan data di setiap node digunakan bersama untuk memvisualisasikan keadaan alur kerja saat ini. Memanggil fungsi visualize pada alur kerja akan memunculkan instance Gradio yang terlihat seperti ini.

Mendukung

Jika Anda memiliki pertanyaan atau memerlukan bantuan, silakan buka masalah atau hubungi kami di [email protected].

Mari kita bersama-sama membangun model visi yang luar biasa?!