หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

คำอธิบาย: นี่คือ Google Gemini Vision Pro ที่น่าทึ่ง ซึ่งเป็นเครื่องมืออันทรงพลังที่จะสแกนภาพ สร้างคำอธิบายโดยใช้ Gemini AI Pro Vision API และให้การตอบสนองด้วยเสียง นอกจากนี้ยังจับภาพโดยใช้เว็บแคม

- การแนะนำ ?

Google Gemini Vision Pro เป็นแอปพลิเคชั่นอเนกประสงค์ที่รวมการประมวลผลภาพ ??, การรู้จำคำพูด ? และความสามารถแปลงข้อความเป็นคำพูด ? ด้วยแอปพลิเคชันนี้ คุณสามารถจับภาพโดยใช้เว็บแคมของคุณ แปลงคำพูดเป็นข้อความ สร้างคำอธิบายรูปภาพ และแม้แต่ให้คำอธิบายกลับมายังคุณอีกด้วย

คู่มือการติดตั้ง

ขั้นตอนที่ 1: โคลนพื้นที่เก็บข้อมูล 

git clone https://github.com/haseeb-heaven/Gemini-Vision-Pro
cd Gemini-Vision-Pro

ขั้นตอนที่ 2: ติดตั้งการอ้างอิง 

pip install -r requirements.txt

ขั้นตอนที่ 3: เรียกใช้แอปพลิเคชัน 

streamlit run script.py

ขั้นตอนที่ 4: รับคีย์ Google Palm API และตั้งค่าแอปพลิเคชัน

  1. รับคีย์ Google Palm API
  2. เยี่ยมชม URL ต่อไปนี้: Google AI Studio
  3. คลิกที่ปุ่ม สร้างคีย์ API
  4. คีย์ที่สร้างขึ้นคือคีย์ API ของคุณ โปรดตรวจสอบให้แน่ใจว่า ได้คัดลอกและวางลงในการตั้งค่าแอปพลิเคชัน
  5. คีย์ API มีความสำคัญต่อการทำงาน โปรดตรวจสอบให้แน่ใจว่าได้เก็บไว้อย่างปลอดภัยและอย่าแชร์กับใคร

การตั้งค่า AI ของราศีเมถุน:

ส่วน AI

ส่วน AI หลักของโปรเจ็กต์นี้ประกอบด้วย:

  • - การตรวจจับเว็บแคม โดยใช้ WebRTC, OpenCV และ PIL
  • การแปลงคำพูดเป็นข้อความ โดยใช้ Google Cloud Speech-to-Text API
  • ️ การแปลงข้อความเป็นคำพูด โดยใช้ Google Cloud Text-to-Speech API
  • - การประมวลผลภาพ โดยใช้ Gemini AI Pro Vision API

คุณสมบัติ

  • - การตรวจจับเว็บแคมพร้อมการจับภาพแบบเรียลไทม์
  • การแปลงคำพูดเป็นข้อความสำหรับคำพูด
  • ️ การอ่านออกเสียงข้อความสำหรับการสร้างคำอธิบายที่เป็นคำพูด
  • - การประมวลผลภาพโดยใช้ AI เพื่อให้คำอธิบายโดยละเอียด
  • การบันทึกโดยใช้โมดูลการบันทึกของ Python
  • การจัดการข้อผิดพลาดกับการจัดการข้อยกเว้นของ Python

WebUI - การแสดงแอปพลิเคชัน

การสาธิต YouTube:

เว็บแคมพร้อมฟีดสด:

การสาธิต Gemini Ai Vision โดยมีวัตถุเป็น Cap:

การสาธิต Gemini Ai Vision ด้วยมือ:

การสาธิต Gemini Ai Vision พร้อมท่าทาง:

แพ็คเกจที่ใช้

โปรเจ็กต์นี้อาศัยแพ็คเกจ Python ที่หลากหลาย รวมถึง:

  • Streamlit - เฟรมเวิร์กแอปพลิเคชันเว็บที่ใช้ในการสร้างแอปพลิเคชัน
  • Streamlit Webrtc - ใช้สำหรับจับภาพจากเว็บแคม
  • OpenCV - ใช้สำหรับจับภาพเว็บแคม
  • PIL (หมอน) - ใช้สำหรับการประมวลผลและการแปลงภาพ
  • gTTS (Google Text-to-Speech) - แปลงข้อความเป็นคำพูด
  • SpeechRecognition - แปลงคำพูดเป็นข้อความ
  • google.cloud.speech - ส่วนหนึ่งของบริการ Google Cloud สำหรับการแปลงคำพูดเป็นข้อความ

ลิงค์และการอ้างอิง

ติดตามลิงก์เหล่านี้สำหรับเนื้อหาที่เกี่ยวข้องกับ Google Gemini Vision Pro :

  • กูเกิล เอไอ สตูดิโอ
  • Google เจมินี่วิชั่นโปร
  • Google ราศีเมถุน Deepmind

การกำหนดเวอร์ชัน

  • เวอร์ชัน : 1.0 : การเปิดตัวครั้งแรก

มีส่วนร่วม

เรายินดีรับการมีส่วนร่วม! โปรดปฏิบัติตาม แนวทางการบริจาค ของเราเพื่อเริ่มต้น

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ ใบอนุญาต MIT - ดูรายละเอียดในไฟล์ ใบอนุญาต

ผู้เขียน

  • สวรรค์HM
  • วันที่: 17-12-2023
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด