GitHubじゃ!Pythonじゃ!

GitHubからPython関係の優良リポジトリを探したかったのじゃー、でも英語は出来ないから日本語で読むのじゃー、英語社会世知辛いのじゃー

OlafenwaMoses

ImageAI – 開発者が自己完結型のコンピュータビジョン機能を備えたアプリケーションとシステムを構築できるようにするために構築されたPythonライブラリ

投稿日:

開発者が自己完結型のコンピュータビジョン機能を備えたアプリケーションとシステムを構築できるようにするために構築されたPythonライブラリ https://commons.specpal.science

ImageAI

シンプルで少数のコードラインを使用して、自己完結的なディープラーニングとコンピュータビジョン機能を備えたアプリケーションやシステムを開発者が開発できるようにするために開発されたPythonライブラリ。

AI Commonsプロジェクト https://commons.specpal.science トーズフュージョンの兄弟、クリエイター、 Deep Computer Vision入門者のMoses OlafenwaJohn Olafenwaによって開発、維持されています。


シンプルさを念頭に置いて構築されたImageAIは、画像予測、カスタム画像予測、オブジェクト検出、ビデオ検出、ビデオオブジェクトトラッキング、画像予測トレーニングのための最先端の機械学習アルゴリズムのリストをサポートしています。 ImageAIは現在、ImageNet-1000データセットで訓練された4つの異なる機械学習アルゴリズムを使用して、画像予測と訓練をサポートしています。 ImageAIはまた、RetinaNet、YOLOv3、およびTinyYOLOv3を使用してCOCOデータセットでトレーニングしたオブジェクト検出、ビデオ検出、オブジェクトトラッキングをサポートしています。
最終的に、 ImageAIは、特別な環境や特別な分野での画像認識を含む(これに限定されません)、コンピュータビジョンのより広範でより特殊な側面をサポートします。

新リリース:ImageAI 2.0.2
新着情報:

  • カスタム画像予測モデルのトレーニング中に画像サイズを指定するオプション
  • オブジェクト検出とビデオオブジェクト検出では、オブジェクトの「名前」と「確率確率」に加えて、検出された各オブジェクトの境界ボックス座標(ボックスポイント) (x1、y1、x2、y2)
  • 検出された画像またはビデオに「パーセント確率」および/またはオブジェクト「名前」が表示されないようにするオプション
  • デバイスカメラ、接続されたカメラ、IPカメラからのビデオライブストリームでのビデオオブジェクト検出のサポート
  • すべてのオブジェクト検出タスクとビデオオブジェクト検出タスクのためのYOLOv3TinyYOLOv3のサポート。
  • すべての入力タイプ(ビデオファイルとカメラ)のビデオオブジェクト検出により、各フレームの後に実行されるカスタム機能の定義が可能になり、ビデオの各秒と毎分が検出されて処理されます。 ビデオが完全に検出されて処理されると同時にカスタム機能を指定するオプションも含める
  • 指定されたカスタム関数ごとに、 ImageAIは、オブジェクトの詳細( 名前パーセント 確率box_points )、検出された各固有オブジェクトのインスタンス数(counts)、および全体的な平均を含む検出のフレーム / / / / / フルビデオ分析の場合に検出された各固有オブジェクトのインスタンス数のカウント
  • Numpy配列として処理されるフレーム、秒、または分ごとに検出されたフレームを戻すオプション。

目次

▣依存関係
▣設置
▣画像予測
▣オブジェクト検出
▣ビデオオブジェクトの検出、追跡および分析
▣カスタムモデルトレーニング
▣カスタム画像の予測
▣ドキュメンテーション
▣ImageAIに基づくプロジェクト
▣AIプラクティスの推奨事項
▣ImageAIプロジェクトをサポート
▣開発者に連絡する
▣貢献者
▣参考文献

依存関係

アプリケーション開発でImageAIを使用するには、 ImageAIをインストールする前に次の依存関係をインストールしておく必要があります。

– Python 3.5.1(およびそれ以降のバージョン) ダウンロード (すぐにPython 2.7のサポートが開始されます)
– pip3 インストール
– Tensorflow 1.4.0(およびそれ以降のバージョン) pip経由でインストールまたはインストールする

 pip3 install --upgrade tensorflow 

– Numpy 1.13.1(およびそれ以降のバージョン) pip経由でインストールまたはインストールする

 pip3 install numpy 

– SciPy 0.19.1(およびそれ以降のバージョン) pip経由でインストールまたはインストールする

 pip3 install scipy 

– OpenCV pipでインストールまたはインストールする

 pip3 install opencv-python 

– ピローピップを使用して インストールまたはインストールする

 pip3 install pillow 

– Matplotlib pipでインストールまたはインストールする

 pip3 install matplotlib 

– h5py pip経由でインストールまたはインストールする

 pip3 install h5py 

– Keras 2.x pipでインストールまたはインストールする

 pip3 install keras 

インストール

ImageAIをインストールするには、以下のpythonインストール手順をコマンドラインで実行してください:

pip3 install https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.2/imageai-2.0.2-py3-none-any.whl

Python Wheel imageai-2.0.2-py3-none-any.whlをダウンロードし、pythonインストール命令をコマンドラインで以下のようなファイルのパスに実行してください:

pip3 install C:\ User \ MyUser \ Downloads \ imageai-2.0.2-py3-none-any.whl

画像予測

convertible : 52.459555864334106
sports_car : 37.61284649372101
pickup : 3.1751200556755066
car_wheel : 1.817505806684494
minivan : 1.7487050965428352

ImageAIは、ImageNet-1000データセットで訓練された4つの異なるアルゴリズムとモデルタイプを提供し、画像予測を実行します。 画像予測に提供される4つのアルゴリズムには、 SqueezeNetResNetInceptionV3DenseNetがあります。

下のリンクをクリックすると、サンプルコード、説明、およびベストプラクティスのガイドがすべて表示されます。

>>>チュートリアル&ガイド

オブジェクトの検出

入力画像

出力画像

person : 91.946941614151

person : 73.61021637916565

laptop : 90.24320840835571

laptop : 73.6881673336029

laptop : 95.16398310661316

person : 87.10319399833679

ImageAIは、画像上でオブジェクト検出を実行し、各オブジェクトを画像から抽出する非常に便利で強力な方法を提供します。 オブジェクト検出クラスはRetinaNet、YOLOv3、TinyYOLOv3をサポートし、最先端のパフォーマンスやリアルタイム処理に対応するオプションを提供します。

下のリンクをクリックすると、サンプルコード、説明、およびベストプラクティスのガイドがすべて表示されます。

>>>チュートリアル&ガイド

ビデオオブジェクトの検出と追跡

ビデオオブジェクトの検出と分析

以下は、オブジェクトが検出されたビデオのスナップショットです。

ビデオカスタムオブジェクト検出(オブジェクトトラッキング)

以下は、人、自転車、およびモーターサイクルのみが検出されたビデオのスナップショットです。

ビデオ分析の可視化

以下は、** ImageAI **によって ‘per_second’関数に返されたビデオ解析の視覚化です。

ImageAIは、ビデオ内のオブジェクト検出を実行し、特定のオブジェクトを追跡する非常に便利で強力なメソッドを提供します。 提供されるビデオオブジェクト検出クラスは、現在の最先端のRetinaNetのみをサポートしますが、最先端のパフォーマンスやリアルタイム処理を調整するオプションもあります。 リンクをクリックすると、完全な動画、サンプルコード、説明、ベストプラクティスのガイドが表示されます。

>>>チュートリアル&ガイド

カスタムモデルトレーニング

専門家を予測するためにモデルをトレーニングするために使用されたIdenProfデータセットのサンプル。

ImageAIは、独自のカスタムオブジェクトの予測を実行するために使用できる新しいモデルをトレーニングするためのクラスとメソッドを提供します。 SqueezeNet、ResNet50、InceptionV3、DenseNetを使用して5行のコードでカスタムモデルを訓練することができます。 下のリンクをクリックすると、トレーニングイメージ、サンプルトレーニングコード、説明、ベストプラクティスの準備に関するガイドが表示されます。

>>>チュートリアルとドキュメンテーション

カスタムイメージの予測

専門家を予測するためのIdenProfで訓練されたサンプルモデルからの予測

mechanic : 76.82620286941528
chef : 10.106072574853897
waiter : 4.036874696612358
police : 2.6663416996598244
pilot : 2.239348366856575

ImageAIは、 ImageAI Model Trainingクラスで訓練された独自のモデルを使用して独自のカスタムオブジェクトをイメージ予測するためのクラスとメソッドを提供します。 SqueezeNet、ResNet50、InceptionV3、およびDenseNetでトレーニングされたカスタムモデルと、カスタムオブジェクト名のマッピングを含むJSONファイルを使用できます。 下のリンクをクリックすると、トレーニングコード、説明、ベストプラクティスガイドのサンプルが表示されます。

>>>チュートリアルとドキュメンテーション

ドキュメンテーション

ImageAIのすべてのクラスと機能について、2つの主要言語で完全なドキュメントを提供しています。 以下のリンクを見つける:

>>ドキュメント – 英語版https://imageai.readthedocs.io
>>ドキュメント – 中国語版https://imageai-cn.readthedocs.io

リアルタイムで高性能な実装

ImageAIは、最先端のコンピュータビジョン技術の抽象的かつ便利な実装を提供します。 ImageAIのすべての実装とコードは、適度なCPU容量を持つ任意のコンピュータシステムで動作することができます。 しかし、CPU上での画像予測、オブジェクト検出などの処理の処理速度は遅く、リアルタイムアプリケーションには適していません。 高性能でリアルタイムのコンピュータビジョン操作を実行するには、GPU対応テクノロジを使用する必要があります。

ImageAITensorflowバックボーンを使用してコンピュータビジョンの操作を行います。 Tensorflowは、機械学習と人工知能アルゴリズムの実装のために、CPUとGPU(特にNVIDIA GPU .PC用のものを入手するか、またはそれを持つPCを手に入れることができます)をサポートします。 GPUの使用をサポートするTensorflowを使用するには、以下のリンクに従ってください:

FOR WINDOWS
https://www.tensorflow.org/install/install_windows

FOR macOS
https://www.tensorflow.org/install/install_mac

UBUNTUのために
https://www.tensorflow.org/install/install_linux

サンプルアプリケーション

ImageAIでできることのデモンストレーションとして、 ImageAIとUIフレームワークKivyを使用して、 IntelliPというWindows用の完全なAIパワードフォトギャラリーを構築しました。 アプリケーションとそのソースコードのページをダウンロードするには、このリンクに従ってください。

また、あなたが作成し、ImageAIが提供するアプリケーションやシステムの提出を歓迎します。 ImageAIの動力開発をここに記載したい場合は、下記の連絡先からお問い合わせください。

AIプラクティスの推奨事項

AIシステムを構築し、それらをビジネス、経済、社会、研究の目的で使用することに関心を持つ人は、そのような技術の使用がもたらす可能性のある肯定的、否定的、そして前例のない影響を知ることが重要です。 また、AIのあらゆる使用が人類に全体的な利益をもたらしていることを確かめるために、経験豊富な業界専門家が推奨するアプローチや実践を認識している必要があります。 したがって、ImageAIやその他のAIツールとリソースを使用して、2018年1月のAIに関する「The Future Computed:Artificial Intelligenceとその社会における役割」という出版物を読むことをお望みの皆様にお勧めします。 下のリンクをクリックして出版物をダウンロードしてください。

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

ImageAIプロジェクトをサポートする

ImageAIプロジェクトは無料でオープンソースです。 アマチュア、中級、専門の開発者や研究者が簡単で便利で独立した方法で、最先端の機械学習アルゴリズムを使用して工業用グレードと最高のコンピュータビジョンツールを提供するために、多くの時間と労力を費やしています無償で。 私たちは、このプロジェクトのために私たちの夢を感謝し、使用し、共有する皆様の支持をお願いしています。 下記のIndiegogoキャンペーンへのリンクをご覧ください。本物の大規模プロジェクトにImageAIを使用する際のチュートリアルと完全なサンプルコードをカバーする独占的な無料のE-Bookを手に入れようとするものです。

[>>> IndiegogoのImageAIサポート]()

あなたの貢献で、我々はImageAIのユーザーから要求されたものを含む多くの機能を追加する予定です。 いくつかの機能があります:

1)RetinaNet、YOLOv3、TinyYOLOv3を用いたオブジェクト検出モデルのカスタムトレーニング
2)画像セグメンテーション
3)顔、性別、年齢の検出
4)車両番号プレート検出認識
5)ImageAIとそのすべてのAndroid用機能 (すべてのImageAI機能をAndroidアプリケーションに統合するため)
6)ImageAIとそのすべての機能 (すべてのImageAI機能をiOSアプリケーションに統合するため)
7)ImageAIと.NETのすべての機能 (ImageAIと.NET開発者向けのすべての機能)

開発者に連絡する

モーセ・オラフェンワ
メール アドレス guymodscientist@gmail.com
ウェブサイト: https : //moses.specpal.science
Twitter: @OlafenwaMoses
ミディアム: @guymodscientist
Facebook: moses.olafenwa

ジョン・オラフェンワ
メール アドレス johnolafenwa@gmail.com
ウェブサイト: https : //john.specpal.science
Twitter: @johnolafenwa
ミディアム: @nohnolafenwa
Facebook: olafenwajohn

貢献者

私たちは、 ImageAIプロジェクトに貢献したいと思っている方は 、私達に連絡することをお勧めします。 主にプロジェクトのコードの文書を、フランス語、スペイン語、ポルトガル語、アラビア語などの主要言語に翻訳する際に貢献する必要があります。 世界各地の開発者や研究者が、母国語にかかわらずこのプロジェクトの恩恵を受けることを願っています。

私たちはImageAIのドキュメンテーションを中国語に翻訳するの素晴らしい、素晴らしい仕事のためにカンvcarに特別な感謝をします。 ImageAIプロジェクトに大いに貢献した人の連絡先の詳細を以下に示します。

カンヴァル
メール アドレス kangvcar@mail.com
ウェブサイト: http : //www.kangvcar.com
Twitter: @kangvcar

参考文献

  1. Somshubra Majumdar、DenseNetペーパーの実装、Kerasの高密度接続畳み込みネットワーク
    https://github.com/titu1994/DenseNet/

  2. マサチューセッツ工科大学とHarvardの広範な研究所、深い残留ネットワークのKerasパッケージ
    https://github.com/broadinstitute/keras-resnet

  3. Fizyr、KerasのRetinaNetオブジェクト検出の実装
    https://github.com/fizyr/keras-retinanet

  4. Francois Chollet、人気のあるディープ・プレイング・モデル用のKerasコードとウエイト・ファイル
    https://github.com/fchollet/deep-learning-models

  5. Forrest N. et al、SqueezeNet:50倍少ないパラメータと0.5MB未満のモデルサイズでのAlexNetレベルの精度
    https://arxiv.org/abs/1602.07360

  6. Kaiming H.ら、画像認識のための深い残差学習
    https://arxiv.org/abs/1512.03385

  7. Szegedy。 他、コンピュータビジョンのためのインセプションアーキテクチャの再考
    https://arxiv.org/abs/1512.00567

  8. ガオ。 et al、密接に接続された畳み込みネットワーク
    https://arxiv.org/abs/1608.06993

  9. Tsung-Yi。 等、密集物体検出のための焦点損失
    https://arxiv.org/abs/1708.02002

  10. O Russakovskyら、ImageNet大規模視覚認識挑戦
    https://arxiv.org/abs/1409.0575

  11. TY Linら、Microsoft COCO:コンテキスト内の共通オブジェクト
    https://arxiv.org/abs/1405.0312

  12. Moses&John Olafenwa、識別可能な専門家のイメージの集まり。
    https://github.com/OlafenwaMoses/IdenProf







-OlafenwaMoses
-, , , , , , , , , , , , , , , , , , ,

執筆者: