ImageAI

ImageAI (v3.0.3)

ไลบรารี Python แบบโอเพ่นซอร์สที่สร้างขึ้นเพื่อช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันและระบบที่มีความสามารถ Deep Learning และ Computer Vision ในตัวเองโดยใช้โค้ดที่เรียบง่ายเพียงไม่กี่บรรทัด

หากคุณต้องการสนับสนุนโครงการนี้ กรุณาไปที่ หน้าผู้สนับสนุน Github

-

ขอแนะนำ Jarvis และ TheiaEngine

พวกเราผู้สร้าง ImageAI มีความยินดีที่จะประกาศโปรเจ็กต์ AI ใหม่ 2 โปรเจ็กต์เพื่อมอบ Generative AI, LLM และ Image Unknown ที่ล้ำสมัยบนคอมพิวเตอร์ส่วนบุคคลและเซิร์ฟเวอร์ของคุณ

ติดตั้ง Jarvis บนพีซี/Mac เพื่อตั้งค่าการเข้าถึงการแชท AI ที่ขับเคลื่อนด้วย LLM อย่างไร้ขีดจำกัดสำหรับงานในแต่ละวัน การวิจัย และความต้องการ AI เชิงสร้างสรรค์ พร้อมความเป็นส่วนตัว 100% และความสามารถออฟไลน์เต็มรูปแบบ

ไปที่ https://jarvis.genxr.co เพื่อเริ่มต้น

TheiaEngine ซึ่งเป็น Vision AI API ของคอมพิวเตอร์เจเนอเรชันถัดไปที่มีความสามารถในงานด้านคอมพิวเตอร์วิทัศน์เชิงสร้างสรรค์และการทำความเข้าใจทั้งหมดในการเรียก API เดียว และพร้อมใช้งานผ่าน REST API ในทุกภาษาการเขียนโปรแกรม คุณสมบัติได้แก่

• ตรวจจับวัตถุ 300+ ชิ้น (มากกว่า 220 วัตถุมากกว่า ImageAI)
• ให้คำตอบสำหรับเนื้อหาหรือคำถามบริบท ที่ถามในรูปภาพ
  • มีประโยชน์มากในการรับข้อมูลเกี่ยวกับออบเจ็กต์ การกระทำ หรือข้อมูลใดๆ โดยไม่จำเป็นต้องฝึกโมเดลแบบกำหนดเองใหม่สำหรับทุกงาน
• สร้างคำอธิบายฉากและสรุป
• แปลงภาพ 2D เป็น 3D pointcloud และ mesh สามเหลี่ยม
• การทำแผนที่ฉากความหมายของวัตถุ ผนัง พื้น ฯลฯ
• การจดจำใบหน้าและการตรวจจับอารมณ์แบบไร้สัญชาติ
• การสร้างภาพและการเพิ่มจากพรอมต์
• ฯลฯ

ไปที่ https://www.genxr.co/theia-engine เพื่อลองสาธิตและเข้าร่วมการทดสอบเบต้าวันนี้

-

พัฒนาและดูแลโดย Moses Olafenwa

---

สร้างขึ้นโดยคำนึงถึงความเรียบง่าย ImageAI รองรับรายการอัลกอริธึมการเรียนรู้ของเครื่องที่ล้ำสมัยสำหรับการทำนายภาพ การทำนายภาพแบบกำหนดเอง การตรวจจับวัตถุ การตรวจจับวิดีโอ การติดตามวัตถุวิดีโอ และการฝึกอบรมการคาดการณ์ภาพ ปัจจุบัน ImageAI รองรับการทำนายและการฝึกอบรมรูปภาพโดยใช้อัลกอริธึม Machine Learning ที่แตกต่างกัน 4 แบบที่ได้รับการฝึกบนชุดข้อมูล ImageNet-1000 ImageAI ยังรองรับการตรวจจับวัตถุ การตรวจจับวิดีโอ และการติดตามวัตถุโดยใช้ RetinaNet, YOLOv3 และ TinyYOLOv3 ที่ได้รับการฝึกบนชุดข้อมูล COCO สุดท้ายนี้ ImageAI ช่วยให้คุณสามารถฝึกโมเดลที่กำหนดเองสำหรับการตรวจจับและการจดจำวัตถุใหม่

ในที่สุด ImageAI จะให้การสนับสนุนด้าน Computer Vision ในวงกว้างและเฉพาะทางมากขึ้น

รุ่นใหม่ : ImageAI 3.0.2

มีอะไรใหม่:

• แบ็กเอนด์ PyTorch
• การฝึกโมเดล TinyYOLOv3

สารบัญ

• - การติดตั้ง
• - คุณสมบัติ
• - เอกสารประกอบ
• - สปอนเซอร์
• - โครงการที่สร้างขึ้นบน ImageAI
• - การใช้งานที่มีประสิทธิภาพสูง
• - คำแนะนำการปฏิบัติของ AI
• - ติดต่อนักพัฒนา
• - การอ้างอิง
• - อ้างอิง

การติดตั้ง

หากต้องการติดตั้ง ImageAI ให้รันคำแนะนำในการติดตั้ง Python ด้านล่างในบรรทัดคำสั่ง:

• ดาวน์โหลดและติดตั้ง Python 3.7 , Python 3.8 , Python 3.9 หรือ Python 3.10

• ติดตั้งการพึ่งพา

  • CPU : ดาวน์โหลดไฟล์ Requirements.txt และติดตั้งผ่านคำสั่ง

     pip install -r requirements.txt
    

    หรือเพียงแค่คัดลอกและรันคำสั่งด้านล่าง

     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 : ดาวน์โหลดไฟล์ Requirements_gpu.txt และติดตั้งผ่านคำสั่ง

     pip install -r requirements_gpu.txt
    

    หรือเพียงคัดลอกและรันคำสั่งด้านล่าง

     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
    

• หากคุณวางแผนที่จะฝึกโมเดล AI แบบกำหนดเอง ให้ดาวน์โหลดไฟล์ Requirements_extra.txt และติดตั้งผ่านคำสั่ง

   pip install -r requirements_extra.txt
  

  หรือเพียงแค่คัดลอกและรันคำสั่งด้านล่าง

   pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
  

• จากนั้นรันคำสั่งด้านล่างเพื่อติดตั้ง ImageAI

   pip install imageai --upgrade
  

คุณสมบัติ

การจำแนกประเภทภาพ

ImageAI มีอัลกอริธึมและประเภทโมเดลที่แตกต่างกัน 4 แบบเพื่อทำการทำนายรูปภาพ ซึ่งได้รับการฝึกฝนบนชุดข้อมูล ImageNet-1000 อัลกอริธึม 4 แบบสำหรับการทำนายภาพ ได้แก่ MobileNetV2, ResNet50, InceptionV3 และ DenseNet121 คลิกลิงก์ด้านล่างเพื่อดูโค้ดตัวอย่างทั้งหมด คำอธิบาย และคำแนะนำแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การตรวจจับวัตถุ

ImageAI มอบวิธีการที่สะดวกและมีประสิทธิภาพในการตรวจจับวัตถุบนรูปภาพและแยกแต่ละวัตถุออกจากรูปภาพ คลาสการตรวจจับวัตถุให้การสนับสนุน RetinaNet, YOLOv3 และ TinyYOLOv3 พร้อมตัวเลือกในการปรับเปลี่ยนตามประสิทธิภาพที่ล้ำสมัยหรือการประมวลผลแบบเรียลไทม์ คลิกลิงก์ด้านล่างเพื่อดูโค้ดตัวอย่างทั้งหมด คำอธิบาย และคำแนะนำแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การตรวจจับและวิเคราะห์วัตถุวิดีโอ

ImageAI มอบวิธีการที่สะดวกและมีประสิทธิภาพในการตรวจจับวัตถุในวิดีโอ คลาสการตรวจจับวัตถุวิดีโอที่ให้มารองรับเฉพาะ RetinaNet ที่ล้ำสมัยในปัจจุบันเท่านั้น คลิกลิงก์เพื่อดูวิดีโอแบบเต็ม โค้ดตัวอย่าง คำอธิบาย และคู่มือแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การฝึกโมเดลการจำแนกประเภทแบบกำหนดเอง

ImageAI มีคลาสและวิธีการให้คุณฝึกโมเดลใหม่ที่สามารถใช้เพื่อทำนายออบเจ็กต์ที่คุณกำหนดเองได้ คุณสามารถฝึกโมเดลที่คุณกำหนดเองได้โดยใช้ MobileNetV2, ResNet50, InceptionV3 และ DenseNet ด้วยโค้ด 5 บรรทัด คลิกลิงก์ด้านล่างเพื่อดูคำแนะนำในการเตรียมรูปภาพการฝึกอบรม ตัวอย่างโค้ดการฝึกอบรม คำอธิบาย และแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การจำแนกรุ่นแบบกำหนดเอง

ImageAI มีคลาสและวิธีการให้คุณเรียกใช้การทำนายรูปภาพออบเจ็กต์ที่คุณกำหนดเองโดยใช้โมเดลของคุณเองที่ได้รับการฝึกด้วยคลาส ImageAI Model Training คุณสามารถใช้โมเดลแบบกำหนดเองของคุณที่ได้รับการฝึกด้วย MobileNetV2, ResNet50, InceptionV3 และ DenseNet และไฟล์ JSON ที่มีการแมปชื่อออบเจ็กต์แบบกำหนดเอง คลิกลิงก์ด้านล่างเพื่อดูคำแนะนำตัวอย่างโค้ดการฝึกอบรม คำอธิบาย และแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การฝึกอบรมโมเดลการตรวจจับแบบกำหนดเอง

ImageAI มีคลาสและวิธีการให้คุณฝึกโมเดลการตรวจจับออบเจ็กต์ YOLOv3 หรือ TinyYOLOv3 ใหม่บนชุดข้อมูลที่คุณกำหนดเอง ซึ่งหมายความว่าคุณสามารถฝึกโมเดลให้ตรวจจับวัตถุใดๆ ที่สนใจได้อย่างแท้จริงโดยจัดเตรียมรูปภาพ คำอธิบายประกอบ และการฝึกด้วย ImageAI คลิกลิงก์ด้านล่างเพื่อดูคำแนะนำตัวอย่างโค้ดการฝึกอบรม คำอธิบาย และแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การตรวจจับวัตถุแบบกำหนดเอง

ตอนนี้ ImageAI มีคลาสและวิธีการให้คุณตรวจจับและจดจำออบเจ็กต์ที่คุณกำหนดเองในรูปภาพโดยใช้โมเดลของคุณเองที่ได้รับการฝึกด้วยคลาส DetectionModelTrainer คุณสามารถใช้โมเดล YOLOv3 หรือ TinyYOLOv3 ที่ได้รับการฝึกแบบกำหนดเองและไฟล์ **.json** ที่สร้างขึ้นระหว่างการฝึกได้ คลิกลิงก์ด้านล่างเพื่อดูคำแนะนำตัวอย่างโค้ดการฝึกอบรม คำอธิบาย และแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

การตรวจจับและวิเคราะห์วัตถุวิดีโอแบบกำหนดเอง

ตอนนี้ ImageAI มีคลาสและวิธีการให้คุณตรวจจับและจดจำออบเจ็กต์ที่คุณกำหนดเองในรูปภาพโดยใช้โมเดลของคุณเองที่ได้รับการฝึกด้วยคลาส DetectionModelTrainer คุณสามารถใช้โมเดล YOLOv3 หรือ TinyYOLOv3 ที่ได้รับการฝึกแบบกำหนดเองและไฟล์ **.json** ที่สร้างขึ้นระหว่างการฝึกได้ คลิกลิงก์ด้านล่างเพื่อดูคำแนะนำตัวอย่างโค้ดการฝึกอบรม คำอธิบาย และแนวทางปฏิบัติที่ดีที่สุด >>> เริ่มต้นใช้งาน

เอกสารประกอบ

เราได้จัดเตรียมเอกสารฉบับสมบูรณ์สำหรับคลาสและฟังก์ชัน ImageAI ทั้งหมด เยี่ยมชมลิงค์ด้านล่าง:

• เอกสารประกอบ - เวอร์ชันภาษาอังกฤษ https://imageai.readthedocs.io

สปอนเซอร์

การใช้งานแบบเรียลไทม์และประสิทธิภาพสูง

ImageAI นำเสนอการใช้งานเทคโนโลยี Computer Vision ที่ล้ำสมัยที่เป็นนามธรรมและสะดวกสบาย การใช้งานและโค้ด ImageAI ทั้งหมดสามารถทำงานได้กับระบบคอมพิวเตอร์ทุกเครื่องที่มีความจุ CPU ปานกลาง อย่างไรก็ตาม ความเร็วของการประมวลผลสำหรับการดำเนินการ เช่น การทำนายภาพ การตรวจจับวัตถุ และอื่นๆ บน CPU นั้นช้าและไม่เหมาะสำหรับแอปพลิเคชันแบบเรียลไทม์ เพื่อดำเนินการคอมพิวเตอร์วิทัศน์แบบเรียลไทม์ด้วยประสิทธิภาพสูง คุณต้องใช้เทคโนโลยีที่เปิดใช้งาน GPU

ImageAI ใช้แกนหลัก PyTorch สำหรับการทำงานของ Computer Vision PyTorch รองรับทั้ง CPU และ GPU (โดยเฉพาะ NVIDIA GPU คุณสามารถซื้อหนึ่งอันสำหรับพีซีของคุณหรือพีซีที่มีหนึ่งอัน) สำหรับการเรียนรู้ของเครื่องและการใช้งานอัลกอริธึมปัญญาประดิษฐ์

โครงการที่สร้างขึ้นบน ImageAI

คำแนะนำการปฏิบัติของ AI

สำหรับทุกคนที่สนใจสร้างระบบ AI และใช้เพื่อวัตถุประสงค์ทางธุรกิจ เศรษฐกิจ สังคม และการวิจัย บุคคลนั้นจำเป็นต้องทราบถึงผลกระทบเชิงบวก ลบ และที่ไม่เคยเกิดขึ้นมาก่อนจากการใช้เทคโนโลยีดังกล่าว พวกเขายังต้องตระหนักถึงแนวทางและแนวทางปฏิบัติที่แนะนำโดยผู้เชี่ยวชาญในอุตสาหกรรมที่มีประสบการณ์ เพื่อให้แน่ใจว่าการใช้ AI ทุกครั้งจะนำมาซึ่งประโยชน์โดยรวมต่อมวลมนุษยชาติ ดังนั้นเราจึงแนะนำให้ทุกคนที่ต้องการใช้ ImageAI และเครื่องมือและทรัพยากร AI อื่นๆ เพื่ออ่านสิ่งพิมพ์ของ Microsoft ประจำเดือนมกราคม 2561 เกี่ยวกับ AI ในหัวข้อ "การประมวลผลแห่งอนาคต : ปัญญาประดิษฐ์และบทบาทของมันในสังคม" กรุณาไปที่ลิงค์ด้านล่างเพื่อดาวน์โหลดสิ่งพิมพ์

https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society

ติดต่อผู้พัฒนา

• โมเสส โอลาเฟนวา
  • อีเมล์: [email protected]
  • ทวิตเตอร์: @OlafenwaMoses
  • สื่อ: @guymodscientist
  • เฟซบุ๊ก: moses.olafenwa
• จอห์น โอลาเฟนวา
  • อีเมล์: [email protected]
  • เว็บไซต์: https://john.aicommons.science
  • ทวิตเตอร์: @johnolafenwa
  • สื่อ: @johnolafenwa
  • เฟซบุ๊ก: olafenwajohn

การอ้างอิง

คุณสามารถอ้างอิง ImageAI ในโครงการและรายงานการวิจัยของคุณผ่านทางรายการ BibTeX ด้านล่าง

 @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--"
}

อ้างอิง

1. Somshubra Majumdar, การใช้งาน DenseNet ของรายงาน, เครือข่าย Convolutional ที่เชื่อมต่ออย่างหนาแน่นใน Keras https://github.com/titu1994/DenseNet
2. Broad Institute of MIT และ Harvard, แพ็คเกจ Keras สำหรับเครือข่ายที่เหลือลึก https://github.com/broadinstitute/keras-resnet
3. Fizyr การใช้ Keras ของการตรวจจับวัตถุ RetinaNet https://github.com/fizyr/keras-retinanet
4. Francois Chollet, รหัส Keras และไฟล์น้ำหนักสำหรับโมเดล deeplearning ยอดนิยม https://github.com/fchollet/deep-learning-models
5. Forrest N. และคณะ SqueezeNet: ความแม่นยำระดับ AlexNet พร้อมพารามิเตอร์น้อยลง 50 เท่า และขนาดโมเดล <0.5MB https://arxiv.org/abs/1602.07360
6. Kaiming H. et al, การเรียนรู้แบบลึกที่เหลือสำหรับการจดจำภาพ https://arxiv.org/abs/1512.03385
7. เซเกดี้. และคณะ การคิดใหม่เกี่ยวกับสถาปัตยกรรมเริ่มต้นสำหรับคอมพิวเตอร์วิทัศน์ https://arxiv.org/abs/1512.00567
8. เกา. และคณะ เครือข่าย Convolutional ที่เชื่อมต่ออย่างหนาแน่น https://arxiv.org/abs/1608.06993
9. ตุง-ยี. และคณะ การสูญเสียโฟกัสสำหรับการตรวจจับวัตถุหนาแน่น https://arxiv.org/abs/1708.02002
10. O Russakovsky และคณะ ImageNet ความท้าทายในการจดจำภาพขนาดใหญ่ https://arxiv.org/abs/1409.0575
11. TY Lin และคณะ Microsoft COCO: วัตถุทั่วไปในบริบท https://arxiv.org/abs/1405.0312
12. Moses & John Olafenwa คอลเลกชันภาพของมืออาชีพที่สามารถระบุตัวตนได้ https://github.com/OlafenwaMoses/IdenProf
13. Joseph Redmon และ Ali Farhadi, YOLOv3: การปรับปรุงที่เพิ่มขึ้น https://arxiv.org/abs/1804.02767
14. Experiencor ฝึกอบรมและตรวจจับวัตถุด้วย YOLO3 https://github.com/experiencor/keras-yolo3
15. MobileNetV2: กากกลับด้านและคอขวดเชิงเส้น https://arxiv.org/abs/1801.04381
16. YOLOv3 ใน PyTorch > ONNX > CoreML > TFLite https://github.com/ultralytics/yolov3