纳米网络API
nanonets的Python项目详细描述
Nanonets提供了一个易于使用的API来与它的服务器进行通信、构建机器学习模型并对图像数据进行预测。 可以建造的模型是-
- 图像分类
- 多标签分类
- 目标检测
- 光学字符识别
请访问https://nanonets.com查看我们。 要了解我们的GUI解决方案或获取API密钥,请查看https://app.nanonets.com
安装
Pip安装-
从终端运行以下命令-
pip install nanonets
设置工具-
要使用setuptools进行安装,请从终端运行以下命令
^{pr2}$创建模型-
创建新模型的步骤
- 前往https://app.nanonets.com,登录,单击左侧的“API密钥”选项卡。在
- 单击“复制密钥”
- 使用下面的python代码创建一个模型
fromnanonetsimportImageClassification# from nanonets import MultilabelClassification# from nanonets import ObjectDetection# from nanonets import OCRapi_key='YOUR_API_KEY_GOES_HERE'categories=['list','of','your','labels']model=ImageClassification(api_key,categories)
这将打印一个模型ID,您应该记录下来以备将来参考。您也可以通过访问https://app.nanonets.com找到这个问题
准备培训数据
培训数据,需要放入字典格式的地方
- 对于图像分类模型-
- keys(str)-图像的文件路径/url
- 值(str)-每个图像的标签
- 对于多标签分类模型-
- keys(str)-图像的文件路径/url
- values(List[str])—每个图像的标签列表
- 对象检测模型-
- keys(str)-图像的文件路径
- values(str)-每个图像的注释路径(XML或JSON)
- 对于OCR模型-
- keys(str)-图像的文件路径
- values(str)-每个图像的注释路径(XML或JSON)
您可以查看data/annotations目录以获得更好的想法。在
培训和模型状态
根据一些训练数据训练模型-
model.train(training_dict,data_path_type='files')
图片将上传,培训将在之后进行初始化。在
通过从python控制台运行以下命令,可以随时检查模型是否经过训练-
api_key='YOUR_API_KEY_GOES_HERE'categories=['list','of','your','labels']model_id='YOUR_MODEL_ID'model=ImageClassification(api_key,categories,model_id=model_id)model._check_model_state()
或者你可以等待Nanonets在培训结束后给你发邮件。在
推论
可以对单个图像或多个图像运行推断。您可以使用URL和本地文件。在
api_key='YOUR_API_KEY_GOES_HERE'categories=['list','of','your','labels']model_id='YOUR_MODEL_ID'model=ImageClassification(api_key,categories,model_id=model_id)## list of file paths of several test imagesimg_dir='PATH_TO_YOUR_IMAGES_DIR'imglist=os.listdir(img_dir)imglist=[img_dir+'/'+xforxinimglist]## list of urls of several test imagesurls=['LIST','OF','YOUR','IMAGE','URLS']## prediction functions for single fileresp_one_file=model.predict_for_file(imglist[0])print("IC response - single image: ",resp_one_file)## prediction functions for multiple filesresp_mul_files=model.predict_for_files(imglist)print("IC response - multiple images: ",resp_mul_files)## prediction functions for single urlresp_one_url=model.predict_for_url(urls[0])print("IC response - single URL: ",resp_one_url)## prediction functions for multiple urlsresp_mul_urls=model.predict_for_urls(urls)print("IC response - multiple URLs: ",resp_mul_urls)
注意:data
目录中的数据用作示例,随机生成以演示examples
目录中的训练和推理代码。使用所述数据了解库的格式要求,而不是用于构建模型。在
- 项目
标签: