imageai--自动机器学习初体验

概述

• ImageAI本着简洁的原则，支持最先进的机器学习算法
• 用于图像预测，自定义图像预测，物体检测，视频检测，视频对象跟踪和图像预测训练
• ImageAI目前支持使用在ImageNet-1000数据集上训练的4种不同机器学习算法进行图像预测和训练
• ImageAI还支持使用在COCO数据集上训练的RetinaNet进行对象检测，视频检测和对象跟踪
• 除了由官方提供的图像模型外，自定义模型是被允许的

安装

pip install imageai

详细文档

• ImageAI文档涉及内容
  • 依赖
  • 安装
  • 图像预测
  • 对象检测
  • 视频对象检测和跟踪
  • 自定义预测模型训练
  • 自定义图像预测
  • 实时和高性能实施
  • 样本应用
  • AI实践建议
  • ImageAI：图像预测
  • FirstPrediction.py
  • 多图像预测
  • 预测速度
  • 图像输入类型
  • 多线程预测
  • 文档
  • ImageAI：对象检测
  • FirstObjectDetection.py
  • 物体检测，提取和微调
  • 自定义对象检测
  • 检测速度
  • 图像输入和输出类型
  • ImageAI：视频对象检测和跟踪（预览版）
  • FirstVideoObjectDetection.py
  • 自定义视频对象检测
  • 视频检测速度
  • 帧检测间隔
  • ImageAI：自定义预测模型训练
  • 在 IdenProf 数据集上训练
  • ImageAI：自定义图像预测
  • FirstCustomPrediction.py

自定义图像分类之初体验

from tensorflow.keras.datasets import mnist
import abc
import os
import numpy as np
import requests
import cv2
import pathlib


class ABCDatasets(metaclass=abc.ABCMeta):
    """数据集抽象类,以下方法必须全部重新复写"""

    datasets_dir: str

    @property
    @abc.abstractmethod
    def load_data(self):
        """加载数据"""
        pass

    @property
    @abc.abstractmethod
    def label_mapping(self):
        """标签映射关系"""
        return {}


class MnistDataSetsToDir(ABCDatasets):
    """
    配置数据集,以及标签
    """
    datasets_dir = "mnist_datasets"

    def __init__(self):
        self.x_train = self.y_train = self.x_test = self.y_test = None

    def load_data(self):
        """加载官方的手写数据集"""
        (self.x_train, self.y_train), (self.x_test, self.y_test) = mnist.load_data()
        # print(self.x_train.shape)
        # print(self.y_train.shape)
        # print(self.x_train[0].shape)
        # (60000, 28, 28)
        # (60000,)
        # (28, 28)
        # 这里输入可知，数据集包含了60000张图片，且素材是一个单通道28x28
        for label in self.label_mapping.keys():
            os.makedirs(name=f"{self.datasets_dir}/train/{label}", exist_ok=True)
            os.makedirs(name=f"{self.datasets_dir}/test/{label}", exist_ok=True)
        train_length = self.x_train.shape[0]
        train_length = 3000
        test_length = self.x_test.shape[0]
        test_length = 1000
        import time
        for index in range(train_length):
            cv2.imwrite(filename=f"{self.datasets_dir}/train/{self.y_train[index]}/{time.time()}.jpg",
                        img=self.x_train[index])
            # break
        for index in range(test_length):
            cv2.imwrite(filename=f"{self.datasets_dir}/test/{self.y_test[index]}/{time.time()}.jpg",
                        img=self.x_test[index])
            # break

    @property
    def label_mapping(self):
        """标签映射关系"""
        return {1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6, 7: 7, 8: 8, 9: 9, 0: 0}

    def get_online_test_data(self):
        """
        在线获取一张手写体图片，并做前处理
        :return:
        """
        label = 3
        url = "https://img1.baidu.com/it/u=3472197447,93830654&fm=253&fmt=auto&app=138&f=JPEG?w=500&h=281"
        image = requests.get(url).content
        nparr = np.fromstring(image, np.uint8)
        gray = cv2.imdecode(nparr, cv2.IMREAD_GRAYSCALE)
        gray = cv2.resize(gray, (28, 28))
        _, gray = cv2.threshold(gray, thresh=165, maxval=255, type=cv2.THRESH_BINARY)
        return gray, label


from imageai.Prediction.Custom import ModelTraining
from imageai.Classification.Custom import CustomImageClassification


class ClassifierModel():
    """"""
    datasets_dir = "mnist_datasets"

    def __init__(self):
        pass

    def train(self):
        self.modeler = ModelTraining()
        self.modeler.setModelTypeAsResNet50()
        self.modeler.setDataDirectory(self.datasets_dir)
        self.modeler.trainModel(num_objects=10, num_experiments=5, enhance_data=True, batch_size=16,
                                show_network_summary=True, training_image_size=28)

    def predict(self):
        from imageai.Prediction.Custom import CustomImagePrediction
        execution_path = os.getcwd()

        multiple_prediction = CustomImagePrediction()
        multiple_prediction.setModelTypeAsResNet50()
        multiple_prediction.setModelPath("./resnet.h5")
        multiple_prediction.setJsonPath("model_class.json")

        multiple_prediction.loadModel(classification_speed="fastest")
        files = os.listdir("./mnist_datasets/test/3/")
        print(files)
        for i in files:
            i = "./mnist_datasets/test/0/" + i
            predictions, probabilities = multiple_prediction.predictImage(i,
                                                                          result_count=10)
            for eachPrediction, eachProbability in zip(predictions, probabilities):
                print(str(eachPrediction) + " : " + str(eachProbability))


def load_data():
    MnistDataSetsToDir().load_data()


def train_classifier():
    ClassifierModel().train()


def test_classifier():
    ClassifierModel().predict()


if __name__ == '__main__':
    import fire

    fire.Fire()