overeasy

слишком легко

Создавайте мощные модели с нулевым обзором!

Overeasy позволяет объединять модели нулевого видения в цепочку для создания пользовательских сквозных конвейеров для таких задач, как:

• Обнаружение ограничивающей рамки

• Классификация

• Сегментация (скоро!)

Всего этого можно достичь без необходимости собирать и аннотировать большие наборы обучающих данных.

Overeasy упрощает объединение предварительно обученных моделей с нулевым выстрелом для создания мощных индивидуальных решений компьютерного зрения.

Установка

Это так же просто, как

 установка pip слишком проста

Для установки дополнений обратитесь к нашей документации.

Ключевые особенности

• Agents : специализированные инструменты, выполняющие конкретные задачи по обработке изображений.

• Workflows : определите последовательность агентов для структурированной обработки изображений.

• Execution Graphs : управляйте и визуализируйте конвейер обработки изображений.

• Detections : представляют ограничивающие рамки, сегментацию и классификации.

Документация

Более подробную информацию о типах, структуре библиотеки и доступных моделях можно найти в нашей документации.

Пример использования

Примечание. Если у вас нет локального графического процессора, вы можете запустить наши примеры, создав копию этого блокнота Colab.

Скачать пример изображения

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

Пример рабочего процесса для определения того, носит ли человек СИЗ на рабочем месте:

 from overeasy import *from overeasy.models import OwlV2from PIL import Imageworkflow = Workflow([# Обнаружение каждой головы во входном изображенииBoundingBoxSelectAgent(classes=["голова человека"], model=OwlV2()),# Применяет немаксимальное подавление для удаления перекрывающиеся ограничивающие рамкиNMSAgent(iou_threshold=0.5, Score_threshold=0),# Разделяет входные данные image на изображения каждого обнаруженного headSplitAgent(),# Классифицирует разделенные изображения с помощью CLIPClassificationAgent(classes=["каска", "без каски"]),# Сопоставляет возвращаемые имена классовClassMapAgent({"каска": "has ppe ", "без каски": "no ppe"}),# Объединяет результаты обратно в BoundingBox DetectionJoinAgent()
])image = Image.open("./construction.jpg")result,graph = workflow.execute(image)workflow.visualize(graph)

Диаграмма

Вот схема этого рабочего процесса. Каждый слой на графике представляет собой этап рабочего процесса:

Атрибуты изображения и данных в каждом узле используются вместе для визуализации текущего состояния рабочего процесса. Вызов функции visualize в рабочем процессе создаст экземпляр Gradio, который выглядит следующим образом.

Поддерживать

Если у вас есть какие-либо вопросы или вам нужна помощь, откройте вопрос или свяжитесь с нами по адресу [email protected].

Давайте вместе построим потрясающие модели видения?!