overeasy

지나치게 쉬움

강력한 제로샷 비전 모델을 만들어보세요!

Overeasy를 사용하면 제로샷 비전 모델을 연결하여 다음과 같은 작업을 위한 맞춤형 엔드투엔드 파이프라인을 생성할 수 있습니다.

• 경계 상자 감지

• 분류

• 세분화(출시 예정!)

이 모든 것은 대규모 교육 데이터 세트를 수집하고 주석을 달 필요 없이 달성할 수 있습니다.

Overeasy를 사용하면 사전 훈련된 제로샷 모델을 간단하게 결합하여 강력한 맞춤형 컴퓨터 비전 솔루션을 구축할 수 있습니다.

설치

그것은 쉬운 일이다

 pip 설치가 너무 쉬움

추가 설치에 대해서는 문서를 참조하세요.

주요 특징

• Agents : 특정 이미지 처리 작업을 수행하는 전문 도구입니다.

• Workflows : 구조화된 방식으로 이미지를 처리하는 에이전트 시퀀스를 정의합니다.

• Execution Graphs : 이미지 처리 파이프라인을 관리하고 시각화합니다.

• Detections : 경계 상자, 세분화 및 분류를 나타냅니다.

선적 서류 비치

유형, 라이브러리 구조 및 사용 가능한 모델에 대한 자세한 내용은 문서를 참조하세요.

사용 예

참고: 로컬 GPU가 없는 경우 이 Colab 노트북의 복사본을 만들어 예시를 실행할 수 있습니다.

예시 이미지 다운로드

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

작업 현장에서 사람이 PPE를 착용하고 있는지 확인하는 작업흐름 예시:

 from overeasy import *from overeasy.models import OwlV2from PIL import Imageworkflow = Workflow([# 입력 이미지에서 각 머리 감지BoundingBoxSelectAgent(classes=["person's head"], model=OwlV2()),# 제거하려면 비최대 억제를 적용합니다. 겹쳐진 경계 상자NMSAgent(iou_threshold=0.5, Score_threshold=0),# 입력 이미지를 이미지로 분할합니다. 감지된 각 headSplitAgent(),# CLIPClassificationAgent(classes=["hard hat", "no hard hat"])를 사용하여 분할 이미지를 분류합니다.# 반환된 클래스 이름을 매핑합니다.ClassMapAgent({"hard hat": "has ppe", " no hard hat": "no ppe"}),# 결과를 다시 BoundingBox로 결합합니다.
])이미지 = Image.open("./construction.jpg")결과, 그래프 = 워크플로우.execute(이미지)workflow.visualize(그래프)

도표

다음은 이 워크플로에 대한 다이어그램입니다. 그래프의 각 레이어는 워크플로의 단계를 나타냅니다.

각 노드의 이미지와 데이터 속성은 워크플로의 현재 상태를 시각화하기 위해 함께 사용됩니다. 워크플로에서 visualize 기능을 호출하면 다음과 같은 Gradio 인스턴스가 생성됩니다.

지원하다

질문이 있거나 도움이 필요한 경우 문제를 열거나 [email protected]로 문의해 주세요.

함께 놀라운 비전 모델을 만들어 볼까요?!