ImageAI使用 Python 快速簡單實現圖像內容預測

ImageAI是一個 python 庫，旨在使開發(fā)人員能夠使用簡單的幾行代碼構建具有包含深度學習和計算機視覺功能的應用程序和系統。 這個 AI Commons 項目https://commons.specpal.science 由 Moses Olafenwa 和 John Olafenwa 開發(fā)和維護。

ImageAI 本著簡潔的原則，支持最先進的機器學習算法，用于圖像預測，自定義圖像預測，物體檢測，視頻檢測，視頻對象跟蹤和圖像預測訓練。ImageAI目前支持使用在ImageNet-1000數據集上訓練的4種不同機器學習算法進行圖像預測和訓練。ImageAI還支持使用在COCO數據集上訓練的RetinaNet進行對象檢測，視頻檢測和對象跟蹤。 最終，ImageAI 將為計算機視覺提供更廣泛和更專業(yè)化的支持，包括但不限于特殊環(huán)境和特殊領域的圖像識別。

ImageAI 從 2021 年 6 月開始切換到了 PyTorch 后端。

新版本：ImageAI 2.0.1

新功能：

• 添加了 SqueezeNet，ResNet50，InceptionV3 和 DenseNet121 模型進行自定義圖像預測訓練
• 添加了自定義訓練模型和json文件進行導入和導出自定義圖像
• 預覽版：添加視頻對象檢測和視頻自定義對象檢測（對象跟蹤）
• 為所有圖像預測和對象檢測任務添加文件，numpy數組和流輸入類型（僅用于視頻檢測的文件輸入）
• 添加文件和numpy數組輸出類型，用于圖像中的對象檢測和自定義對象檢測
• 引入4種速度模式（’normal’, ‘fast’, ‘faster’ and ‘fastest’）進行圖像預測，在’fastest’速度模式下預測時間將縮短50％，同時保持預測精準度
• 為圖像所有物體檢測和視頻物體檢測任務引入5種速度模式（’normal’, ‘fast’, ‘faster’, ‘fastest’ and ‘flash’），在’flash’速度模式下預測時間將縮短80％以上并且精準度與minimum_percentage_probability保持一致，請將該值調至較低
• 引入幀檢測率，允許開發(fā)人員調整視頻中的檢測間隔frame_detection_interval，有利于達到特定效果。