overeasy - 无数据集需求的定制视觉模型构建

项目介绍：Overeasy

Overeasy 是一个可以创建强大零样本视觉模型的工具平台。它允许用户组建端到端的自定义流水线，用于执行特定的视觉任务，如：

边界框检测
分类
分割（即将推出）

这些功能实现的过程不需要收集和标记大量训练数据。Overeasy 通过结合预训练的零样本模型，使用户能够轻松构建强大的计算机视觉解决方案。

安装

安装过程非常简单，用户只需运行以下命令即可：

pip install overeasy

想了解如何安装额外功能，请参阅我们的文档。

主要特性

🤖 Agents：专门用于执行特定图像处理任务的工具。
🧩 Workflows：定义处理图像的 Agents 的顺序，使其以结构化的方式进行。
🔗 Execution Graphs：管理和可视化图像处理流水线。
🔎 Detections：代表边界框、分割和分类。

文档与详细信息

详细的类型、库结构及可用模型，请查阅我们的文档。

示例用法

若没有本地 GPU，可以通过复制我们的 Colab 笔记本来运行示例。

下载示例图片：

!wget https://github.com/overeasy-sh/overeasy/blob/73adbaeba51f532a7023243266da826ed1ced6ec/examples/construction.jpg?raw=true -O construction.jpg

以下是识别施工现场工人是否佩戴个人防护装备（PPE）的工作流程示例：

from overeasy import *
from overeasy.models import OwlV2
from PIL import Image

workflow = Workflow([
    # 检测输入图像中的每个头部
    BoundingBoxSelectAgent(classes=["person's head"], model=OwlV2()),
    # 应用非极大值抑制以去除重叠的边界框
    NMSAgent(iou_threshold=0.5, score_threshold=0),
    # 将输入图像分割为每个检测到的头部
    SplitAgent(),
    # 使用 CLIP 对分割的图像进行分类
    ClassificationAgent(classes=["hard hat", "no hard hat"]),
    # 映射返回的类名
    ClassMapAgent({"hard hat": "has ppe", "no hard hat": "no ppe"}),
    # 将结果合并回边界框检测中
    JoinAgent()
])

image = Image.open("./construction.jpg")
result, graph = workflow.execute(image)
workflow.visualize(graph)