Classes de pr?diction¶

ImageAI fournit un ensemble de classes puissantes et faciles ? utiliser pour accomplir les t?ches de reconnaissance sur les images. Vous pouvez pourrez accomplir toutes ces taches de pointe de vision assist?e par ordinateur avec du code python allant de 5 ? 12 lignes de code. Une fois que le python installe, d?autres biblioth?ques et ImageAI installes dans votre ordinateur, il n?y a aucune limite aux applications incroyables que vous pouvez cr?er. Trouvez ci-dessous les classes et leur fonction respective rendues disponibles pour votre utilisation. Ces classes peuvent ?tre int?gr?es dans n?importe quelle programme python traditionnel que vous d?veloppez, que cela soit un site internet, une application Windows/Linux/MacOS ou un syst?me qui supporte ou fait partir d?un r?seau local.

======= imageai.Prediction.ImagePrediction =======

La classe ImagePrediction vous fournit des fonctions pour utiliser les mod?les de reconnaissance d?images les plus pointus tel SqueezeNet, ResNet, InceptionV3 et DenseNet qui ont ?t? pr?-entraines sur la base de donn?es ImageNet-1000. Ceci pour dire que vous pouvez utiliser ces classes pour d?tecter et reconnaitre plus de 1000 diff?rents objets sur n?importe quelle image ou ensemble d?images. Pour initialiser la classe dans votre code, vous allez cr?er une instance dans votre code comme suit?:

from imageai.Prediction import ImagePrediction
prediction = ImagePrediction()

Nous avons fourni les mod?les pr?-entraines de reconnaissance d?images des algorithmes suivants SqueezeNet, ResNet, InceptionV3 et DenseNet que vous allez utiliser dans la classe ImagePrediction pour faire la reconnaissance sur les images. Trouvez ci-dessous le lien pour t?l?charger les mod?les. Vous pouvez t?l?charger le mod?le que vous voulez utiliser.

Telechargez le modele SqueezeNet

T?l?chargez le mod?le ResNet

` T?l?chargez le mod?le InceptionV3 <https://github.com/OlafenwaMoses/ImageAI/releases/tag/1.0 />`_

` T?l?chargez le mod?le DenseNet <https://github.com/OlafenwaMoses/ImageAI/releases/tag/1.0 />`_

Apr?s avoir cr?? une nouvelle instance de la classe ImagePrediction, Vous pouvez utiliser les fonctions ci-dessous pour d?finir les valeurs des propri?t?s et commencer la reconnaissance.

.setModelTypeAsSqueezeNet() , cette fonction ?tablit comme mod?le pour votre instance de reconnaissance d?image que vous avez cr??, le mod?le SqueezeNet?; ce qui veut dire que vous accomplirez vos taches de pr?diction en utilisant les mod?les pr?-entrain?s de SqueezeNet que vous avez t?l?charg? avec le lien ci-dessus. Trouvez le code ci-dessous?:
```
prediction.setModelTypeAsSqueezeNet()
```
.setModelTypeAsResNet() , cette fonction ?tablit comme mod?le pour votre instance de reconnaissance d?image que vous avez cr??, le mod?le ResNet?; ce qui veut dire que vous accomplirez vos taches de pr?diction en utilisant les mod?les pr?-entrain?s de ResNet que vous avez t?l?charg? avec le lien ci-dessus. Trouvez le code ci-dessous?:
```
prediction.setModelTypeAsResNet()
```
.setModelTypeAsInceptionV3() , cette fonction ?tablit comme mod?le pour votre instance de reconnaissance d?image que vous avez cr??, le mod?le InceptionV3?; ce qui veut dire que vous accomplirez vos taches de pr?diction en utilisant les mod?les pr?-entrain?s de InceptionV3 que vous avez t?l?charg? avec le lien ci-dessus. Trouvez le code ci-dessous?:
```
prediction.setModelTypeAsInceptionV3()
```
.setModelTypeAsDenseNet() , cette fonction ?tablit comme mod?le pour votre instance de reconnaissance d?image que vous avez cr??, le mod?le DenseNet?; ce qui veut dire que vous accomplirez vos taches de pr?diction en utilisant les mod?les pr?-entrain?s de DenseNet que vous avez t?l?charg? avec le lien ci-dessus. Trouvez le code ci-dessous?:
```
prediction.setModelTypeAsDenseNet()
```
.setModelPath() , cette fonction accepte une chaine de caract?re qui doit ?tre le chemin vers le fichier mod?le que vous avez t?l?charg?, il doit correspondre au type de mod?le que vous avez choisi pour votre instance de pr?diction/d?tection sur image. Trouvez un exemple de code, et param?tres de fonction ci-dessous?::

prediction.setModelPath(“resnet50_weights_tf_dim_ordering_tf_kernels.h5”)

– param?tre model_path (requis) : Il s?agit du chemin vers votre fichier mod?le t?l?charg?.

.loadModel() , Cette fonction charge le mod?le ? partir du chemin que vous avez sp?cifi? dans l?appel de fonction ci-dessus dans votre instance de pr?diction. Trouvez un exemple de code ci-dessous?:
```
prediction.loadModel()
```

– param?tre prediction_speed (optionnel) : Ce param?tre vous permet de r?duire jusquՈ 80% le temps qu?il faut pour la tache de pr?diction sur une image, ce qui conduit ? une l?g?re r?duction de la pr?cision. Ce param?tre accepte les chaines de caract?res. Les valeurs disponibles sont “normal”, “fast”, “faster” et “fastest”. La valeur par d?faut est “normal”.

.predictImage() , C?est la fonction qui effectue la tache de pr?diction a proprement parle sur une image. Elle peut ?tre appel?e plusieurs fois sur plusieurs images une fois que le mod?le a ?t? charge dans l?instance de pr?diction. Trouvez un exemple de code, et param?tres de fonction ci-dessous?:
```
predictions, probabilities = prediction.predictImage("image1.jpg", result_count=10)
```

– param?tre image_input (requis) : Il fait r?f?rence au chemin vers votre fichier images, tableau Numpy de votre image ou le fichier flux de votre image, d?pendamment du type que vous avez choisi.

—param?tre result_count (optionnel) : Il fait r?f?rence au nombre possible de pr?dictions qui doivent ?tre retourne. Le param?tre a une valeur par d?faut de 5.

– param?tre input_type (optionnel) : Il fait r?f?rence au type de la valeur d?entr?e dans le param?tre image_input. Il est ?file? par d?faut et accepte ?array? et ?stream? aussi. ?

—valeur retourn?e prediction_results (une liste python) : La premi?re valeur renvoy?e par la fonction predictImage est une liste qui contient tous les r?sultats possibles de pr?diction. Les r?sultats sont arrang?s dans l?ordre descendant de probabilit? de pourcentage.

– valeur retourn?e prediction_probabilities (une liste python) :

La seconde valeur renvoy?e par la fonction predictImage est une liste qui contient les pourcentages de probabilit? correspondant ? toutes les pr?dictions possibles dans prediction_results

.predictMultipleImages() , Cette fonction pour accomplir la pr?dictions sur 2 ou plusieurs images ? la fois. Trouvez un exemple de code, et param?tres de fonction ci-dessous?:
```
results_array = multiple_prediction.predictMultipleImages(all_images_array, result_count_per_image=5)

for each_result in results_array:
    predictions, percentage_probabilities = each_result["predictions"], each_result["percentage_probabilities"]
    for index in range(len(predictions)):
        print(predictions[index] , " : " , percentage_probabilities[index])
    print("-----------------------")
```
– param?tre sent_images_array (requis) : Il fait r?f?rence a une liste qui contient le chemin vers les fichiers images, les tableaux Numpy de vos images ou les fichiers de flux de vos images, d?pendamment de type sp?cifie pour la valeur d?entr?e.

– param?tre result_count_per_image (optionnel) : Il fait r?f?rence au nombre de possible de pr?dictions renvoy?es pour chaque image. Ce param?tre a pour valeur par d?faut 2.

– param?tre input_type (optionnel) : Il fait r?f?rence au format dans lequel vos images sont repr?sent?es dans la liste contenu dans le param?tre sent_images_array. Il est par d?faut ?file? et accepte aussi ?array? et ?stream?.

– valeur retourn?e output_array (une liste python) : La valeur retourn?e par la fonction predictMultipleImages est une liste qui contient des dictionnaires. Chaque dictionnaire correspond ? une image contenue dans le tableau transmis a sent_images_array. Chaque dictionnaire a une propri?t? “prediction_results” qui est la liste de tous les r?sultats de pr?dictions sur l?image a cet indice ainsi que la ?prediction_probabilities? qui est la liste correspondant au pourcentage de probabilit? de chaque r?sultat.

Exemple de code

Trouver ci-dessous un ?chantillon de code pour la pr?diction sur une image?:

from imageai.Prediction import ImagePrediction
import os

execution_path = os.getcwd()

prediction = ImagePrediction()
prediction.setModelTypeAsResNet()
prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))
prediction.loadModel()

predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "image1.jpg"), result_count=10)
for eachPrediction, eachProbability in zip(predictions, probabilities):
    print(eachPrediction , " : " , eachProbability)

Trouvez ci-dessous un ?chantillon de code pour la d?tection/pr?diction sur plusieurs images?:

from imageai.Prediction import ImagePrediction
import os

execution_path = os.getcwd()

multiple_prediction = ImagePrediction()
multiple_prediction.setModelTypeAsResNet()
multiple_prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))
multiple_prediction.loadModel()

all_images_array = []

all_files = os.listdir(execution_path)
for each_file in all_files:
    if(each_file.endswith(".jpg") or each_file.endswith(".png")):
        all_images_array.append(each_file)

results_array = multiple_prediction.predictMultipleImages(all_images_array, result_count_per_image=5)

for each_result in results_array:
    predictions, percentage_probabilities = each_result["predictions"], each_result["percentage_probabilities"]
    for index in range(len(predictions)):
        print(predictions[index] , " : " , percentage_probabilities[index])
    print("-----------------------")