overeasy

過於簡單

創建強大的零鏡頭視覺模型！

Overeasy 讓您連結零鏡頭視覺模型，為以下任務建立自訂端對端管道：

• 邊界框偵測

• 分類

• 細分（即將推出！）

所有這些都可以實現，無需收集和註釋大型訓練資料集。

Overeasy 可以輕鬆地組合預先訓練的零樣本模型來建立強大的客製化電腦視覺解決方案。

安裝

這很簡單

pip 安裝太簡單了

若要安裝附加功能，請參閱我們的文件。

主要特點

• Agents ：執行特定影像處理任務的專用工具。

• Workflows ：定義一系列代理程式以結構化方式處理影像。

• Execution Graphs ：管理和視覺化影像處理管道。

• Detections ：表示邊界框、分割和分類。

文件

有關類型、庫結構和可用模型的更多詳細信息，請參閱我們的文件。

用法範例

注意：如果您沒有本機 GPU，您可以透過複製此 Colab 筆記本來運行我們的範例。

下載範例圖片

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

識別人員是否在工作現場穿戴個人防護裝備的範例工作流程：

 from overeasy import *from overeasy.models import OwlV2from PIL import Imageworkflow = Workflow([# 偵測輸入影像中的每個頭部BoundingBoxSelectAgent(classes=["person's head"], model=OwlV2()),# 套用非極大化非極大化）值抑制來移除重疊邊界框NMSAgent(iou_threshold=0.5, Score_threshold=0),# 將輸入影像分割為每個偵測到的headSplitAgent(),# 使用CLIPClassificationAgent 對分割影像進行分類(classes=["hard hat" , "no hard hat"]) ,# 對傳回的類別名稱ClassMapAgent({"hard hat": "has ppe", "no Hard hat": "no ppe"}),# 將結果組合回 BoundingBoxDetectionJoinAgent()
])image = Image.open("./construction.jpg")結果, graph =workflow.execute(image)workflow.visualize(graph)

圖表

這是此工作流程的圖表。圖中的每一層代表工作流程中的一個步驟：

每個節點中的影像和資料屬性一起使用來視覺化工作流程的當前狀態。在工作流程上呼叫visualize函數將產生一個如下所示的 Gradio 實例。

支援

如果您有任何疑問或需要協助，請提出問題或透過 [email protected] 與我們聯繫。

讓我們一起建立令人驚嘆的視覺模型？