overeasy

过于简单

创建强大的零镜头视觉模型！

Overeasy 允许您链接零镜头视觉模型，为以下任务创建自定义端到端管道：

• 边界框检测

• 分类

• 细分（即将推出！）

所有这些都可以实现，无需收集和注释大型训练数据集。

Overeasy 可以轻松地组合预先训练的零样本模型来构建强大的定制计算机视觉解决方案。

安装

这很简单

pip 安装太简单了

要安装附加功能，请参阅我们的文档。

主要特点

• Agents ：执行特定图像处理任务的专用工具。

• Workflows ：定义一系列代理以结构化方式处理图像。

• Execution Graphs ：管理和可视化图像处理管道。

• Detections ：表示边界框、分割和分类。

文档

有关类型、库结构和可用模型的更多详细信息，请参阅我们的文档。

用法示例

注意：如果您没有本地 GPU，您可以通过复制此 Colab 笔记本来运行我们的示例。

下载示例图片

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

识别人员是否在工作现场佩戴个人防护装备的示例工作流程：

 from overeasy import *from overeasy.models import OwlV2from PIL import Imageworkflow = Workflow([# 检测输入图像中的每个头部BoundingBoxSelectAgent(classes=["person's head"], model=OwlV2()),# 应用非极大值抑制来移除重叠边界框NMSAgent(iou_threshold=0.5, Score_threshold=0),# 将输入图像分割成图像每个检测到的 headSplitAgent(),# 使用 CLIPClassificationAgent 对分割图像进行分类(classes=["hard hat", "no hard hat"]),# 映射返回的类名ClassMapAgent({"hard hat": "has ppe", " no hard hat": "no ppe"}),# 将结果组合回 BoundingBoxDetectionJoinAgent()
])image = Image.open("./construction.jpg")结果, graph =workflow.execute(image)workflow.visualize(graph)

图表

这是此工作流程的图表。图中的每一层代表工作流程中的一个步骤：

每个节点中的图像和数据属性一起使用来可视化工作流的当前状态。在工作流上调用visualize函数将生成一个如下所示的 Gradio 实例。

支持

如果您有任何疑问或需要帮助，请提出问题或通过 [email protected] 与我们联系。

让我们一起构建令人惊叹的视觉模型？！