ImageAI
ImageAI - PyTorch pretrained models
개발자가 간단하고 몇 줄의 코드를 사용하여 자체 포함된 딥 러닝 및 컴퓨터 비전 기능을 갖춘 애플리케이션과 시스템을 구축할 수 있도록 구축된 오픈 소스 Python 라이브러리입니다.
이 프로젝트를 후원하고 싶다면 Github 후원 페이지를 방문해 주세요.
ImageAI의 제작자는 개인용 컴퓨터와 서버에 최첨단 생성 AI, LLM 및 이미지 이해를 제공하는 2개의 새로운 AI 프로젝트를 발표하게 된 것을 기쁘게 생각합니다.
PC/Mac에 Jarvis를 설치하면 100% 개인 정보 보호와 완전한 오프라인 기능을 통해 일상 업무, 연구 및 생성 AI 요구 사항에 맞는 LLM 기반 AI 채팅에 대한 무제한 액세스를 설정할 수 있습니다.
시작하려면 https://jarvis.genxr.co를 방문하세요.
TheiaEngine은 단일 API 호출로 모든 생성 및 이해 컴퓨터 비전 작업을 수행할 수 있고 REST API를 통해 모든 프로그래밍 언어에 사용할 수 있는 차세대 컴퓨터 Vision AI API입니다. 특징은 다음과 같습니다
지금 바로 https://www.genxr.co/theia-engine을 방문하여 데모를 사용해 보고 베타 테스트에 참여하세요.
Moses Olafenwa가 개발하고 유지 관리함
단순성을 염두에 두고 구축된 ImageAI는 이미지 예측, 사용자 정의 이미지 예측, 개체 감지, 비디오 감지, 비디오 개체 추적 및 이미지 예측 교육을 위한 최첨단 기계 학습 알고리즘 목록을 지원합니다. ImageAI는 현재 ImageNet-1000 데이터 세트에서 훈련된 4가지 기계 학습 알고리즘을 사용하여 이미지 예측 및 훈련을 지원합니다. ImageAI는 또한 COCO 데이터 세트에서 훈련된 RetinaNet, YOLOv3 및 TinyYOLOv3를 사용하여 객체 감지, 비디오 감지 및 객체 추적을 지원합니다. 마지막으로 ImageAI를 사용하면 새로운 객체의 감지 및 인식을 수행하기 위한 사용자 정의 모델을 교육할 수 있습니다.
결국 ImageAI는 컴퓨터 비전의 더 광범위하고 전문적인 측면을 지원하게 될 것입니다.
새 릴리스: ImageAI 3.0.2
새로운 기능:
ImageAI를 설치하려면 명령줄에서 아래 Python 설치 지침을 실행하세요.
Python 3.7 , Python 3.8 , Python 3.9 또는 Python 3.10을 다운로드하여 설치합니다.
종속성 설치
CPU : 요구 사항.txt 파일을 다운로드하고 명령을 통해 설치
pip install -r requirements.txt
또는 아래 명령을 복사하여 실행하세요.
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 : 요구 사항_gpu.txt 파일을 다운로드하고 명령을 통해 설치합니다.
pip install -r requirements_gpu.txt
또는 아래 명령을 간단히 복사하여 실행하세요.
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
사용자 정의 AI 모델을 훈련시키려는 경우 요구사항_extra.txt 파일을 다운로드하고 명령을 통해 설치하십시오.
pip install -r requirements_extra.txt
또는 아래 명령을 복사하여 실행하세요.
pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
그런 다음 아래 명령을 실행하여 ImageAI를 설치합니다.
pip install imageai --upgrade
이미지 분류 |
 ImageAI는 ImageNet-1000 데이터 세트에서 훈련된 이미지 예측을 수행하기 위한 4가지 알고리즘과 모델 유형을 제공합니다. 이미지 예측을 위해 제공되는 4가지 알고리즘에는 MobileNetV2, ResNet50, InceptionV3 및 DenseNet121이 있습니다. 전체 샘플 코드, 설명 및 모범 사례 가이드를 보려면 아래 링크를 클릭하세요. |
객체 감지 |
 ImageAI는 이미지에서 객체 감지를 수행하고 이미지에서 각 객체를 추출하는 매우 편리하고 강력한 방법을 제공합니다. 객체 감지 클래스는 RetinaNet, YOLOv3 및 TinyYOLOv3에 대한 지원을 제공하며 최첨단 성능 또는 실시간 처리에 맞게 조정할 수 있는 옵션을 제공합니다. 전체 샘플 코드, 설명 및 모범 사례 가이드를 보려면 아래 링크를 클릭하세요. |
비디오 객체 감지 및 분석 |
 ImageAI는 비디오에서 객체 감지를 수행하는 매우 편리하고 강력한 방법을 제공합니다. 제공되는 비디오 객체 감지 클래스는 현재 최첨단 RetinaNet만 지원합니다. 전체 동영상, 샘플 코드, 설명 및 모범 사례 가이드를 보려면 링크를 클릭하세요. |
맞춤 분류 모델 학습 |
 ImageAI는 사용자 정의 개체에 대한 예측을 수행하는 데 사용할 수 있는 새 모델을 교육할 수 있는 클래스와 메서드를 제공합니다. MobileNetV2, ResNet50, InceptionV3 및 DenseNet을 사용하여 5줄의 코드로 사용자 정의 모델을 훈련할 수 있습니다. 훈련 이미지 준비, 샘플 훈련 코드, 설명 및 모범 사례에 대한 가이드를 보려면 아래 링크를 클릭하세요. |
사용자 정의 모델 분류 |
 ImageAI는 ImageAI 모델 훈련 클래스로 훈련된 자체 모델을 사용하여 사용자 정의 개체의 이미지 예측을 실행할 수 있는 클래스와 방법을 제공합니다. MobileNetV2, ResNet50, InceptionV3, DenseNet으로 훈련된 사용자 정의 모델과 사용자 정의 개체 이름 매핑이 포함된 JSON 파일을 사용할 수 있습니다. 샘플 훈련 코드, 설명, 모범 사례 가이드에 대한 가이드를 보려면 아래 링크를 클릭하세요. |
맞춤형 탐지 모델 훈련 |
 ImageAI는 사용자 지정 데이터 세트에서 새로운 YOLOv3 또는 TinyYOLOv3 개체 감지 모델을 훈련할 수 있는 클래스와 메서드를 제공합니다. 즉, ImageAI를 통해 이미지, 주석 및 교육을 제공하여 말 그대로 관심 있는 모든 개체를 감지하도록 모델을 교육할 수 있습니다. 샘플 훈련 코드, 설명, 모범 사례 가이드에 대한 가이드를 보려면 아래 링크를 클릭하세요. |
사용자 정의 개체 감지 |
 ImageAI는 이제DetectionModelTrainer 클래스로 훈련된 자체 모델을 사용하여 이미지에서 사용자 정의 개체를 감지하고 인식할 수 있는 클래스와 메서드를 제공합니다. 사용자 정의 훈련된 YOLOv3 또는 TinyYOLOv3 모델과 훈련 중에 생성된 **.json** 파일을 사용할 수 있습니다. 샘플 훈련 코드, 설명, 모범 사례 가이드에 대한 가이드를 보려면 아래 링크를 클릭하세요. |
맞춤형 비디오 개체 감지 및 분석 |
 ImageAI는 이제DetectionModelTrainer 클래스로 훈련된 자체 모델을 사용하여 이미지에서 사용자 정의 개체를 감지하고 인식할 수 있는 클래스와 메서드를 제공합니다. 사용자 정의 훈련된 YOLOv3 또는 TinyYOLOv3 모델과 훈련 중에 생성된 **.json** 파일을 사용할 수 있습니다. 샘플 훈련 코드, 설명, 모범 사례 가이드에 대한 가이드를 보려면 아래 링크를 클릭하세요. |
우리는 모든 ImageAI 클래스 및 기능에 대한 전체 문서를 제공했습니다. 아래 링크를 방문하세요:
ImageAI는 최첨단 컴퓨터 비전 기술의 추상화되고 편리한 구현을 제공합니다. 모든 ImageAI 구현 및 코드는 적당한 CPU 용량을 갖춘 모든 컴퓨터 시스템에서 작동할 수 있습니다. 그러나 CPU에서 이미지 예측, 객체 감지 등의 작업을 처리하는 속도가 느리고 실시간 응용 프로그램에는 적합하지 않습니다. 고성능으로 실시간 Computer Vision 작업을 수행하려면 GPU 지원 기술을 사용해야 합니다.
ImageAI는 컴퓨터 비전 작업에 PyTorch 백본을 사용합니다. PyTorch는 기계 학습 및 인공 지능 알고리즘 구현을 위해 CPU와 GPU(특히 NVIDIA GPU)를 모두 지원합니다. PC용으로 구입하거나 GPU가 있는 PC를 구입할 수 있습니다.
AI 시스템을 구축하고 이를 비즈니스, 경제, 사회 및 연구 목적으로 사용하는 데 관심이 있는 사람이라면 해당 기술의 사용이 가져올 긍정적, 부정적, 전례 없는 영향을 아는 것이 중요합니다. 또한 AI의 모든 사용이 인류에게 전반적인 이익을 가져올 수 있도록 숙련된 업계 전문가가 권장하는 접근 방식과 관행을 알고 있어야 합니다. 따라서 ImageAI 및 기타 AI 도구와 리소스를 사용하려는 모든 사람은 "미래 컴퓨팅: 인공 지능과 사회에서의 역할"이라는 제목의 AI에 관한 Microsoft의 2018년 1월 간행물을 읽어 보시기 바랍니다. 출판물을 다운로드하시려면 아래 링크를 따라가시기 바랍니다.
https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society
아래 BibTeX 항목을 통해 프로젝트 및 연구 논문에서 ImageAI를 인용할 수 있습니다.
@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--"
}
