ImageAI
ImageAI - PyTorch pretrained models
Библиотека Python с открытым исходным кодом, созданная для того, чтобы дать разработчикам возможность создавать приложения и системы с автономными возможностями глубокого обучения и компьютерного зрения с использованием простого и небольшого количества строк кода.
Если вы хотите спонсировать этот проект, посетите спонсорскую страницу Github .
Мы, создатели ImageAI, рады объявить о двух новых проектах искусственного интеллекта, которые обеспечат современные генеративный искусственный интеллект, LLM и понимание изображений на вашем персональном компьютере и серверах.
Установите Jarvis на ПК/Mac, чтобы настроить безграничный доступ к AI-чатам на базе LLM для повседневной работы, исследований и генерации ИИ-потребностей со 100% конфиденциальностью и полной автономностью.
Посетите https://jarvis.genxr.co, чтобы начать.
TheiaEngine, API компьютерного зрения нового поколения, способный решать все задачи генеративного и понимания компьютерного зрения за один вызов API и доступный через REST API для всех языков программирования. Особенности включают в себя
Посетите https://www.genxr.co/theia-engine, чтобы попробовать демо-версию и присоединиться к бета-тестированию сегодня.
Разработан и поддерживается Мозесом Олафенвой.
Созданный с учетом простоты, ImageAI поддерживает список современных алгоритмов машинного обучения для прогнозирования изображений, прогнозирования пользовательских изображений, обнаружения объектов, обнаружения видео, отслеживания видеообъектов и обучения прогнозированию изображений. ImageAI в настоящее время поддерживает прогнозирование и обучение изображений с использованием 4 различных алгоритмов машинного обучения, обученных на наборе данных ImageNet-1000. ImageAI также поддерживает обнаружение объектов, обнаружение видео и отслеживание объектов с использованием RetinaNet, YOLOv3 и TinyYOLOv3, обученных на наборе данных COCO. Наконец, ImageAI позволяет обучать пользовательские модели обнаружению и распознаванию новых объектов.
Со временем ImageAI обеспечит поддержку более широких и специализированных аспектов компьютерного зрения.
Новый выпуск: ImageAI 3.0.2
Что нового:
Чтобы установить ImageAI, запустите приведенную ниже инструкцию по установке Python в командной строке:
Загрузите и установите Python 3.7 , Python 3.8 , Python 3.9 или Python 3.10.
Установить зависимости
ЦП : загрузите файл требований.txt и установите его с помощью команды.
pip install -r requirements.txt
или просто скопируйте и запустите команду ниже
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 : загрузите файл require_gpu.txt и установите его с помощью команды.
pip install -r requirements_gpu.txt
или просто скопируйте и запустите команду ниже
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
Если вы планируете обучать собственные модели ИИ, загрузите файл require_extra.txt и установите его с помощью команды
pip install -r requirements_extra.txt
или просто скопируйте и запустите команду ниже
pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
Затем выполните команду ниже, чтобы установить ImageAI.
pip install imageai --upgrade
Классификация изображений |
 ImageAI предоставляет 4 различных алгоритма и типа моделей для прогнозирования изображений, обученных на наборе данных ImageNet-1000. Для прогнозирования изображений предусмотрены 4 алгоритма: MobileNetV2, ResNet50, InceptionV3 и DenseNet121. Щелкните ссылку ниже, чтобы просмотреть полные примеры кодов, пояснения и рекомендации по передовому опыту. |
Обнаружение объектов |
 ImageAI предоставляет очень удобные и мощные методы для обнаружения объектов на изображениях и извлечения каждого объекта из изображения. Класс обнаружения объектов обеспечивает поддержку RetinaNet, YOLOv3 и TinyYOLOv3 с возможностью настройки современной производительности или обработки в реальном времени. Щелкните ссылку ниже, чтобы просмотреть полные примеры кодов, пояснения и рекомендации по передовому опыту. |
Обнаружение и анализ видеообъектов |
 ImageAI предоставляет очень удобные и мощные методы обнаружения объектов в видео. Предоставленный класс обнаружения видеообъектов поддерживает только современную сеть RetinaNet. Щелкните ссылку, чтобы просмотреть полные видеоролики, примеры кодов, пояснения и руководство по передовому опыту. |
Обучение модели пользовательской классификации |
 ImageAI предоставляет классы и методы для обучения новой модели, которую можно использовать для прогнозирования ваших собственных объектов. Вы можете обучать свои собственные модели с помощью MobileNetV2, ResNet50, InceptionV3 и DenseNet с помощью 5 строк кода. Щелкните ссылку ниже, чтобы просмотреть руководство по подготовке обучающих изображений, примеры обучающих кодов, пояснения и рекомендации. |
Пользовательская классификация моделей |
 ImageAI предоставляет классы и методы, позволяющие вам прогнозировать изображения ваших собственных пользовательских объектов с использованием вашей собственной модели, обученной с помощью класса ImageAI Model Training. Вы можете использовать свои собственные модели, обученные с помощью MobileNetV2, ResNet50, InceptionV3 и DenseNet, а также файл JSON, содержащий сопоставление имен пользовательских объектов. Нажмите на ссылку ниже, чтобы просмотреть руководство с примерами обучающих программ, пояснениями и рекомендациями. |
Обучение пользовательской модели обнаружения |
 ImageAI предоставляет классы и методы для обучения новым моделям обнаружения объектов YOLOv3 или TinyYOLOv3 в вашем пользовательском наборе данных. Это означает, что вы можете научить модель обнаруживать буквально любой интересующий объект, предоставив изображения, аннотации и обучение с помощью ImageAI. Нажмите на ссылку ниже, чтобы просмотреть руководство с примерами обучающих программ, пояснениями и рекомендациями. |
Пользовательское обнаружение объектов |
 ImageAI теперь предоставляет классы и методы для обнаружения и распознавания ваших собственных объектов на изображениях с использованием вашей собственной модели, обученной с помощью класса DetectionModelTrainer. Вы можете использовать специально обученную модель YOLOv3 или TinyYOLOv3 и файл **.json**, созданный во время обучения. Нажмите на ссылку ниже, чтобы просмотреть руководство с примерами обучающих программ, пояснениями и рекомендациями. |
Пользовательское обнаружение и анализ видеообъектов |
 ImageAI теперь предоставляет классы и методы для обнаружения и распознавания ваших собственных объектов на изображениях с использованием вашей собственной модели, обученной с помощью класса DetectionModelTrainer. Вы можете использовать специально обученную модель YOLOv3 или TinyYOLOv3 и файл **.json**, созданный во время обучения. Нажмите на ссылку ниже, чтобы просмотреть руководство с примерами обучающих кодов, пояснениями и рекомендациями. |
Мы предоставили полную документацию для всех классов и функций ImageAI . Посетите ссылку ниже:
ImageAI обеспечивает абстрактную и удобную реализацию современных технологий компьютерного зрения. Все реализации и код ImageAI могут работать на любой компьютерной системе с умеренной мощностью ЦП. Однако скорость обработки таких операций, как прогнозирование изображения, обнаружение объектов и других, на ЦП низкая и не подходит для приложений реального времени. Чтобы выполнять операции компьютерного зрения в реальном времени с высокой производительностью, вам необходимо использовать технологии с поддержкой графического процессора.
ImageAI использует магистраль PyTorch для операций компьютерного зрения. PyTorch поддерживает как процессоры, так и графические процессоры (в частности, графические процессоры NVIDIA. Вы можете приобрести один для своего ПК или приобрести компьютер, на котором он есть) для реализации алгоритмов машинного обучения и искусственного интеллекта.
Для любого, кто заинтересован в создании систем искусственного интеллекта и использовании их в деловых, экономических, социальных и исследовательских целях, крайне важно, чтобы человек знал о вероятных положительных, отрицательных и беспрецедентных последствиях использования таких технологий. Они также должны знать о подходах и методах, рекомендованных опытными экспертами отрасли, чтобы каждое использование ИИ приносило общую пользу человечеству. Поэтому мы рекомендуем всем, кто хочет использовать ImageAI и другие инструменты и ресурсы искусственного интеллекта, прочитать публикацию Microsoft об искусственном интеллекте за январь 2018 года под названием «Вычислительное будущее: искусственный интеллект и его роль в обществе». Пожалуйста, перейдите по ссылке ниже, чтобы скачать публикацию.
https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society
Вы можете цитировать ImageAI в своих проектах и исследовательских работах через запись BibTeX ниже.
@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--"
}
