Comment effectuer une classification d'image personnalisée (AutoML) à l'aide de JavaScript

La classification d'images AutoML vous permet de créer des modèles d'apprentissage automatique personnalisés pour catégoriser les images sans avoir besoin de connaissances techniques approfondies.

Avec Eden AI, vous pouvez facilement tirer parti de son API conviviale pour créer un classificateur d'images personnalisé adapté à vos besoins.

Ce guide vous expliquera le processus de mise en œuvre de la classification d'images AutoML à l'aide de JavaScript.

‍

Qu'est-ce que Classification d'images personnalisée?

Classification d'images personnalisée avec AutoML vous permet de créer et d'entraîner automatiquement un modèle d'apprentissage automatique pour classer les images dans vos propres catégories spécifiques.

À l'aide d'une plateforme AutoML, vous téléchargez des images étiquetées, et l'outil sélectionne et ajuste automatiquement le meilleur modèle pour reconnaître et classer les nouvelles images en fonction de vos étiquettes personnalisées.

Ce processus simplifie l'apprentissage automatique, le rendant accessible même à ceux qui n'ont pas d'expertise approfondie en matière d'IA.

‍

Implémentation de la classification d'images personnalisée en Python

Accédez à l'API Eden AI

1. Créez un compte : Visitez Eden AI et créez un compte. Une fois inscrit, accédez à la section API pour obtenir votre clé API. Cette clé vous donnera accès à un large éventail de services d'IA, y compris la comparaison de visages.

2. Accédez à Image Technologies — Une fois connecté, rendez-vous dans la section image de la plateforme.

3. Sélectionnez une classification d'image personnalisée — Choisissez la fonction de classification personnalisée des images ou explorez les options avancées en fonction de vos besoins.

‍

Vue d'ensemble du processus

Le processus est divisé en cinq étapes afin de permettre des étapes claires et logiques qui garantissent que toutes les parties du projet (création, téléchargement des données, formation, prévision et récupération des résultats) sont gérées séparément.

Cela permet également d'éviter les problèmes potentiels liés à la taille des données ou à la durée de traitement, car les opérations sont asynchrones.

1. Création d'un projet: Cela configure l'environnement pour stocker vos données et votre modèle.
2. Téléchargement de données: Vous devez télécharger et étiqueter des images pour la formation des modèles.
3. Entraîner le modèle: Il s'agit de la phase au cours de laquelle le modèle apprend à partir des données.
4. Lancer une tâche de classification: Une fois le modèle entraîné, vous pouvez l'utiliser pour classer les nouvelles images.
5. Obtenir des résultats: Enfin, vous récupérez les prédictions faites par le modèle entraîné.

‍

Pour commencer : installation du module de requêtes de JavaScript

Pour interagir avec l'API d'Eden AI, nous utiliserons Axios en JavaScript pour l'envoi de requêtes HTTP. Si vous travaillez dans un environnement Node.js, vous pouvez installer Axios à l'aide de la commande suivante :

npm install axios

‍

Étape 1 : Création d'un projet

La première étape consiste à créer un projet qui servira de conteneur pour vos images et vos paramètres de classification.

import requests

headers = {"Authorization": "Bearer 🔑 Your_API_Key"}

url = "https://api.edenai.run/v2/image/automl_classification/create_project/"

payload = {
    "providers": [["nyckel"]],  # Specify the AI provider
    "name": "Your_project_name"  # Name your project
}

response = requests.post(url, headers=headers, json=payload)
result = response.json()
print(result)

Qu'est-ce que cela fait :

• fournisseurs: Spécifie le fournisseur d'IA à utiliser (dans ce cas, « nyckel »).
  
• nom: nom du projet que vous êtes en train de créer.
• La réponse renverra un project_id, que vous utiliserez ultérieurement dans les autres étapes.
  
  

Étape 2 : Chargement de vos données

Ensuite, vous devez télécharger vos données d'image sur Eden AI. Cette étape implique de spécifier l'étiquette de l'image, l'ID du projet et le fichier image lui-même.

const axios = require("axios").default;
const fs = require("fs");
const FormData = require("form-data");

const form = new FormData();
form.append("providers", "nyckel");
form.append(
    "file",
    fs.createReadStream("🖼️ path/to/your/image.png")
);
form.append("type_of_data", "TEST");
form.append("label", "🏷️ Label of your image");
form.append("project_id", "🆔 ID of your project");

const options = {
    method: "POST",
    url: "https://api.edenai.run/v2/image/automl_classification/upload_data_async",
    headers: {
        Authorization: "Bearer 🔑 Your_API_Key",
        "Content-Type": "multipart/form-data; boundary=" + form.getBoundary(),
    },
    data: form,
};

axios
.request(options)
    .then((response) => {
        console.log(response.data);
    })
    .catch((error) => {
        console.error(error);
    });

Qu'est-ce que cela fait :

• type_de_données: Spécifie si les données sont destinées à la formation ou aux tests. Vous pouvez utiliser « TRAIN » pour les données d'entraînement et « TEST » pour les données de test.
  
• étiquette: il s'agit du libellé de l'image, par exemple « chien » ou « chat ».
  
• fichier: L'image que vous chargez pour la classification. Assurez-vous de fournir le bon chemin d'accès à l'image.

‍

Étape 3 : Entraîner le modèle

Une fois vos données téléchargées, vous devez entraîner le modèle à l'aide des données téléchargées. Cette étape utilise identifiant_projet pour démarrer le processus de formation.

const axios = require("axios").default;
const options = {
    method: "POST",
    url: "https://api.edenai.run/v2/image/automl_classification/train_async",
    headers: {
        authorization: "Bearer 🔑 Your_API_Key",
    },
    data: {
        providers: "nyckel",
        project_id: "🆔 ID of your project",
    },
};
axios
    .request(options)
    .then((response) => {
        console.log(response.data);
    })
    .catch((error) => {
        console.error(error);
    });

‍Qu'est-ce que cela fait :

• train_async: Cela envoie la demande d'entraînement du modèle à l'aide des données téléchargées.
• Le identifiant_projet lie la demande à votre projet.

Étape 4 : Lancement d'une tâche de classification

Après l'entraînement, vous pouvez utiliser le modèle pour classer les nouvelles images. Cette étape envoie l'image à votre modèle entraîné à des fins de classification.

const axios = require("axios").default;
const fs = require("fs");
const FormData = require("form-data");

const form = new FormData();
form.append("providers", "nyckel");
form.append(
    "file",
    fs.createReadStream("🖼️ path/to/your/image.png")
);
form.append("project_id", "🆔 ID of your project");

const options = {
    method: "POST",
    url: "https://api.edenai.run/v2/image/automl_classification/predict_async",
    headers: {
        Authorization: "Bearer 🔑 Your_API_Key",
        "Content-Type": "multipart/form-data; boundary=" + form.getBoundary(),
    },
    data: form,
};

axios
.request(options)
    .then((response) => {
        console.log(response.data);
    })
    .catch((error) => {
        console.error(error);
    });

Qu'est-ce que cela fait :

• predict_async: Ce point de terminaison envoie l'image au modèle entraîné pour classification.
  
• fichier: Le fichier image à classer est envoyé dans cette requête.

‍

Étape 5 : Obtenir les résultats

Enfin, une fois la tâche de classification traitée, vous pouvez récupérer les résultats à l'aide du identifiant_public à partir de la réponse à l'emploi de classification précédente.

import requests

headers = {"Authorization": "Bearer 🔑 Your_API_Key"}

url = "https://api.edenai.run/v2/image/automl_classification/predict_async/<public_id>"

response = requests.get(url, headers=headers)
result = response.json()
print(result)

Qu'est-ce que cela fait :

• identifiant_public: il s'agit de l'identifiant unique renvoyé lors de la demande de classification précédente.
• obtenir une demande: Récupère les résultats de la classification, tels que les étiquettes prédites et les scores de confiance.
  
  

Interprétation des résultats

Voici un exemple de ce que vous pouvez voir lorsque vous récupérez les résultats :

{
  "predictions": [
    {
      "label": "Cat",
      "confidence": 0.92
    }
  ]
}

Explication des champs de sortie :

• étiquette: catégorie prédite pour l'image (par exemple, « Chat »).
  
• confiance: La confiance du modèle dans la prédiction (par exemple, 92 %).

‍

Aller plus loin

Pour personnaliser davantage et mieux gérer vos tâches de classification AutoML, Eden AI propose des points de terminaison supplémentaires qui vous permettent d'affiner vos flux de travail.

Que vous ayez besoin de répertorier, de démarrer ou de récupérer des résultats pour des tâches telles que l'entraînement, les prévisions ou le téléchargement de données, ces points de terminaison offrent une flexibilité et un contrôle accrus.

Vous pouvez explorer toutes les options disponibles et des instructions détaillées dans notre documentation ici.

‍

Pourquoi Eden AI est le meilleur outil pour la classification personnalisée des images

‍

Eden AI offre plusieurs avantages en matière de classification personnalisée des images.

Accès à plusieurs fournisseurs‍

Avec Eden AI, vous pouvez choisir parmi une variété de fournisseurs, ce qui vous offre une grande flexibilité.

Facilité d'utilisation‍

L'API d'Eden AI est conçue pour être simple et intuitive, ce qui permet aux développeurs d'intégrer facilement de nombreux services d'IA dans leurs applications avec un minimum d'effort.

Évolutivité‍

Que vous travailliez sur de petits projets ou des applications à grande échelle, Eden AI est conçue pour s'adapter à vos besoins, ce qui la rend adaptée à un large éventail de cas d'utilisation.

‍

Conclusion :

À l'aide de l'API JavaScript d'Eden AI, vous pouvez créer des modèles de classification d'images personnalisés en quelques étapes seulement.

En suivant ces cinq étapes (créer un projet, télécharger des données, former un modèle, classer des images et récupérer des résultats), vous pouvez facilement intégrer la classification des images dans vos applications Web.

Avec Axios qui gère les requêtes HTTP, le processus est simple, vous permettant de vous concentrer sur ce qui compte le plus : la création de votre application.