ImageAI
ImageAI - PyTorch pretrained models
一個開源 Python 庫，旨在使開發人員能夠使用簡單的幾行程式碼來建立具有獨立深度學習和電腦視覺功能的應用程式和系統。
如果您想贊助這個項目，請訪問Github 贊助頁面。
我們 ImageAI 的創建者很高興宣布 2 個新的 AI 項目，在您的個人電腦和伺服器上提供最先進的生成式 AI、LLM 和圖像理解。
在 PC/Mac 上安裝 Jarvis，即可無限制地存取 LLM 支援的 AI 聊天，滿足您的日常工作、研究和產生 AI 需求，並具有 100% 隱私和完全離線功能。
請造訪 https://jarvis.genxr.co 開始。
TheiaEngine 是新一代電腦視覺 AI API，能夠在單一 API 呼叫中完成所有產生和理解電腦視覺任務，並可透過 REST API 適用於所有程式語言。特點包括
請造訪 https://www.genxr.co/theia-engine 嘗試示範並立即加入 Beta 測試。
由摩西·奧拉芬瓦開發和維護
ImageAI在建構時考慮到簡單性，支援一系列最先進的機器學習演算法，用於影像預測、自訂影像預測、物件偵測、視訊偵測、視訊物件追蹤和影像預測訓練。 ImageAI目前支援使用在 ImageNet-1000 資料集上訓練的 4 種不同機器學習演算法進行影像預測和訓練。 ImageAI還支援使用在 COCO 資料集上訓練的 RetinaNet、YOLOv3 和 TinyYOLOv3 進行物件偵測、視訊偵測和物件追蹤。最後， ImageAI可讓您訓練自訂模型來執行新物件的偵測和識別。
最終， ImageAI將為電腦視覺更廣泛、更專業的方面提供支持
新版本：ImageAI 3.0.2
什麼是新的：
若要安裝 ImageAI，請在命令列中執行以下 python 安裝指令：
下載並安裝Python 3.7 、 Python 3.8 、 Python 3.9或Python 3.10
安裝依賴項
CPU ：下載requirements.txt檔案並透過指令安裝
pip install -r requirements.txt
或只需複製並運行以下命令
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 ：下載requirements_gpu.txt檔案並透過指令安裝
pip install -r requirements_gpu.txt
或只需複製並執行以下命令
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
如果您打算訓練自訂 AI 模型，請下載requirements_extra.txt 檔案並透過命令安裝
pip install -r requirements_extra.txt
或只需複製並運行以下命令
pip install pycocotools@git+https://github.com/gautamchitnis/cocoapi.git@cocodataset-master#subdirectory=PythonAPI
然後執行以下命令安裝ImageAI
pip install imageai --upgrade
影像分類 |
 ImageAI 提供 4 種不同的演算法和模型類型來執行影像預測，並在 ImageNet-1000 資料集上進行訓練。為影像預測提供的 4 種演算法包括 MobileNetV2、ResNet50、InceptionV3 和 DenseNet121。點擊下面的連結以查看完整的範例程式碼、說明和最佳實踐指南。 |
物體偵測 |
 ImageAI提供了一種非常方便且強大的方法來對影像進行物件檢測並從影像中提取每個物件。物件偵測類別提供對 RetinaNet、YOLOv3 和 TinyYOLOv3 的支持，並提供調整最先進效能或即時處理的選項。點擊下面的連結以查看完整的範例程式碼、說明和最佳實踐指南。 |
視訊對象檢測與分析 |
 ImageAI 提供了非常方便且強大的方法來執行影片中的物件偵測。提供的視訊物件偵測類別僅支援目前最先進的RetinaNet。點擊連結查看完整影片、範例程式碼、說明和最佳實踐指南。 |
自訂分類模型訓練 |
 ImageAI 提供了類別和方法，供您訓練新模型，該模型可用於對您自己的自訂物件執行預測。您可以使用 MobileNetV2、ResNet50、InceptionV3 和 DenseNet 在 5 行程式碼中訓練自訂模型。點擊下面的連結查看準備訓練圖像、範例訓練程式碼、說明和最佳實踐的指南。 |
客製化型號分類 |
 ImageAI 提供了類別和方法，供您使用透過 ImageAI 模型訓練類別訓練的自己的模型來運行圖像預測您自己的自訂物件。您可以使用透過 MobileNetV2、ResNet50、InceptionV3 和 DenseNet 訓練的自訂模型以及包含自訂物件名稱對應的 JSON 檔案。點擊下面的連結以查看範例培訓程式碼、說明和最佳實踐指南的指南。 |
自訂檢測模型訓練 |
 ImageAI 提供了類別和方法，讓您在自訂資料集上訓練新的 YOLOv3 或 TinyYOLOv3 物件偵測模型。這意味著您可以透過提供圖像、註釋和使用 ImageAI 進行訓練來訓練模型來偵測任何感興趣的物件。點擊下面的連結以查看範例培訓程式碼、說明和最佳實踐指南的指南。 |
自訂對象檢測 |
 ImageAI 現在提供了類別和方法，供您使用透過DetectionModelTrainer 類別訓練的您自己的模型來檢測和識別圖像中您自己的自訂物件。您可以使用自訂訓練的 YOLOv3 或 TinyYOLOv3 模型以及訓練期間產生的 **.json** 檔案。點擊下面的連結以查看範例培訓程式碼、說明和最佳實踐指南的指南。 |
自訂視訊物件檢測和分析 |
 ImageAI 現在提供了類別和方法，供您使用透過DetectionModelTrainer 類別訓練的您自己的模型來檢測和識別圖像中您自己的自訂物件。您可以使用自訂訓練的 YOLOv3 或 TinyYOLOv3 模型以及訓練期間產生的 **.json** 檔案。點擊下面的連結以查看範例培訓程式碼、說明和最佳實踐指南的指南。 |
我們提供了所有ImageAI類別和函數的完整文件。請造訪以下連結：
ImageAI提供了最先進的電腦視覺技術的抽象且便捷的實現。所有ImageAI實作和程式碼都可以在任何具有中等 CPU 容量的電腦系統上運作。然而，CPU上的影像預測、目標偵測等操作的處理速度較慢，不適合即時應用。若要以高效能執行即時電腦視覺操作，您需要使用支援 GPU 的技術。
ImageAI使用 PyTorch 主幹進行電腦視覺操作。 PyTorch 支援 CPU 和 GPU（特別是 NVIDIA GPU。您可以為您的 PC 配備一個 GPU，也可以為您的 PC 配備一個）用於機器學習和人工智慧演算法的實作。
對於任何有興趣建立人工智慧系統並將其用於商業、經濟、社會和研究目的的人來說，了解此類技術的使用可能產生的積極、消極和前所未有的影響至關重要。他們還必須了解經驗豐富的行業專家推薦的方法和實踐，以確保人工智慧的每一次使用都為人類帶來整體利益。因此，我們建議所有希望使用 ImageAI 和其他 AI 工具和資源的人閱讀 Microsoft 2018 年 1 月關於 AI 的出版物，題為「計算的未來：人工智慧及其在社會中的作用」。請點擊下面的鏈接下載該出版物。
https://blogs.microsoft.com/blog/2018/01/17/future-compulated-artificial-intelligence-role-society
您可以透過下面的BibTeX條目在您的專案和研究論文中引用ImageAI 。
@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--"
}
