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

La classification d'images AutoML vous permet de créer des modèles d'apprentissage automatique personnalisés pour classer les images en catégories sans expertise technique approfondie.

Avec Eden AI, vous pouvez utiliser son API simple pour créer un classificateur d'images personnalisé adapté à vos besoins. Ce guide vous expliquera comment implémenter la classification d'images AutoML à l'aide de Python.

‍

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 Python Requests

Pour interagir avec l'API d'Eden AI, vous aurez besoin du demandes module, qui est une bibliothèque HTTP simple pour effectuer des requêtes d'API en Python. Pour l'installer, exécutez :

pip install requests

Une fois installé, vous pouvez utiliser demandes pour envoyer des demandes aux terminaux d'Eden AI.

‍

Étape 1 : Création d'un projet

La première étape du processus de classification personnalisée des images consiste à créer un projet. Il servira de conteneur pour toutes vos données et tous les paramètres de votre modèle.

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)

Explication du code :

• En-tête d'autorisation: vous devez inclure votre clé API pour authentifier la demande.
  
• fournisseurs: Spécifiez le fournisseur d'IA (dans ce cas, « nyckel ») qu'Eden AI utilisera pour entraîner votre modèle.
  
• nom: le nom que vous donnez à votre projet pour l'identifier facilement par la suite.
  

Qu'est-ce que cela fait :

Cette demande crée un nouveau projet sur Eden AI pour la classification de vos images. La réponse contiendra un identifiant_projet, qui sera utilisé dans les étapes suivantes pour relier vos données et votre modèle.

‍

Étape 2 : Chargement de vos données

Maintenant que vous avez créé votre projet, vous devez télécharger vos données d'image pour la formation. Chaque image doit être étiquetée avec sa catégorie et vous devez spécifier le type de données que vous téléchargez (par exemple, TEST, TRAIN).

import requests

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

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

data = {
    "providers": ["nyckel"],  # Specify the AI provider
    "type_of_data": "TEST",  # Indicate whether the data is for training or testing
    "label": "🏷️ Label of your image",  # Label for the image
    "project_id": "🆔 ID of your project"  # ID of the project you created
}

files = {"file": open("🖼️ path/to/your/image.png", "rb")}  # Upload the image file

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

Explication du code :

• type_de_données: Spécifie si les données sont destinées à l'entraînement ou au test du modèle. Dans ce cas, nous utilisons TEST pour la validation.
  
• étiquette: le libellé de l'image téléchargée (par exemple, une catégorie telle que « chat » ou « chien »).
  
• fichier: le fichier image que vous souhaitez télécharger pour le classement.
  

Qu'est-ce que cela fait :

Cela envoie vos données d'image étiquetées à Eden AI pour les utiliser pour l'entraînement ou les tests de votre modèle. Vous pouvez télécharger plusieurs images en répétant cette demande pour chaque image.

‍

Étape 3 : Entraîner le modèle

Une fois vos données téléchargées, vous devez entraîner votre modèle. L'étape suivante consiste à envoyer une demande pour démarrer le processus de formation à l'aide des données que vous avez téléchargées.

import requests

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

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

payload = {"providers": ["nyckel"], "project_id": "🆔 ID of your project"}

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

Explication du code :

• identifiant_projet: Ceci lie la demande au projet que vous avez créé précédemment.
  
• train_async: Il s'agit d'une demande asynchrone, ce qui signifie que l'entraînement se déroulera en arrière-plan.
  

Qu'est-ce que cela fait :

Cela envoie une demande à Eden AI pour qu'elle commence à entraîner votre modèle de classification personnalisé à l'aide des données que vous avez téléchargées. La formation peut prendre un certain temps en fonction de la quantité de données.

‍

Étape 4 : Lancement d'une tâche de classification

Après avoir entraîné votre modèle, vous pouvez désormais classer les nouvelles images à l'aide du modèle que vous avez entraîné. Le code suivant envoie une image au modèle entraîné à des fins de classification.

import requests

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

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

data = {
    "providers": ["nyckel"],  # Specify the AI provider
    "project_id": "🆔 ID of your project"  # The project ID of your trained model
}

files = {"file": open("🖼️ path/to/your/image.png", "rb")}  # Image file to classify

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

Explication du code :

• predict_async: Ce point de terminaison envoie l'image au modèle et la classe de manière asynchrone.
  
• fichier: Le fichier image que vous souhaitez classer est envoyé dans le cadre de la demande.
  

Qu'est-ce que cela fait :

Cela envoie l'image à votre modèle pour classification et renvoie l'étiquette prévue.

‍

Étape 5 : Obtenir les résultats

Après avoir lancé la tâche de classification, vous pouvez récupérer les résultats de la classification. Les résultats sont généralement fournis avec un public_id, que vous pouvez utiliser pour vérifier la classification.

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)

Explication du code :

• identifiant_public: il s'agit d'un identifiant unique renvoyé par la tâche de classification. Vous devez l'utiliser pour vérifier le résultat.
  
• obtenir une demande: Cela permet de récupérer le résultat de la classification une fois celle-ci traitée.
  

Qu'est-ce que cela fait :

Cette requête récupère les résultats de la classification, en vous montrant l'étiquette et le score de confiance prédits pour l'image.

‍

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 encore plus de personnalisation et une meilleure gestion de vos tâches de classification AutoML, Eden AI fournit des points de terminaison supplémentaires qui vous permettent d'affiner vos flux de travail.

Que vous ayez besoin de répertorier, de lancer ou de récupérer les résultats de diverses tâches telles que la formation, les prévisions ou le téléchargement de données, ces points de terminaison vous 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 :

Grâce à l'API d'Eden AI, vous pouvez facilement créer des modèles de classification d'images personnalisés sans avoir besoin de connaissances approfondies en apprentissage automatique.

En suivant le processus en cinq étapes (création d'un projet, téléchargement de données, formation, prévision et récupération des résultats), vous pouvez rapidement implémenter et déployer de puissants modèles de classification d'images pour vos propres applications.