L' API en Computer Vision

Manipulez facilement les meilleurs algorithmes en Computer Vision et Deep Learning grâce à l'API Python Open Source d'Ikomia.

left stroke

Une API pour gagner du temps

right stroke
Computer Vision API

Vous pouvez maintenant utiliser les meilleurs algorithmes en Computer Vision sur vos propres images/vidéos en quelques lignes de code :

  • Pas de temps perdu à chercher les meilleurs algorithmes de détection, de classification, de pose ou de reconnaissance d’images : nous les sélectionnons et les testons pour vous.
  • Exécutez très facilement les algorithmes de votre choix grâce à notre système plug & play.
  • Plus besoin de gérer les versions des dépendances Python de  vos algorithmes, Ikomia le fait pour vous.
left stroke

Pour tous profils de développeurs

right stroke

Développeur débutant

Vous débutez en Computer Vision et Deep Learning ?

Un apprentissage facile

Ikomia API est l'outil idéal pour apprendre la Computer Vision et le Deep Learning par l'exemple. Testez les meilleurs algorithmes en quelques lignes de code et créez vos premiers workflows sans effort.

Développeur expert

Vous avez de bonnes connaissances en Computer Vision et Deep Learning ?

Un outil low-code portable

Créez et intégrez vos propres algorithmes Python, et mixez les avec d'autres algorithmes. Déployez vos algorithmes sur n'importe quel serveur de calcul (Google Colab, AWS, GCP...) en quelques lignes de code.
left stroke

Facile à utiliser

right stroke

Installation simple

Ikomia API s’installe via le gestionnaire de paquets PIP.

Notre API est compatible avec Python 3.7 / 3.8 / 3.9 .

				
					pip install ikomia
				
			

Libre accès à Ikomia HUB

Rejoignez la communauté Ikomia pour accéder à notre hub d’algorithmes de l’état de l’art.

				
					import ikomia
import os

# Easy and unsafe authentication | Only for personal use
os.environ['IKOMIA_USER'] = "your_username"
os.environ['IKOMIA_PWD'] = "your_password"

ikomia.authenticate()
				
			

Efficience

Manipulez vos algorithmes préférés en quelques lignes de code.

				
					from ikomia.utils import ik
from ikomia.dataprocess import workflow

# Create your worflow
wf = workflow.create("My workflow") 

# Add algorithms to your workflow
yolo_id, yolo = wf.add_task(ik.infer_yolo_v5) 
canny_id, canny = wf.add_task(ik.ocv_canny) 

# Connect your algorithms
wf.connect_tasks(wf.getRootID(), yolo_id) 
wf.connect_tasks(yolo_id, canny_id) 

# Run
wf.run_on(path="path/to/image")

# YOLO output image with bounding boxes
img_detect = wf.get_image_with_graphics(yolo_id)
# Canny output image
img_final = wf.get_image(canny_id, index=0)

cv2.imshow("Detection", img_detect)
cv2.imshow("Result", img_final)

# Export your workflow for reuse
wf.save("/path/to/my_workflow_name.json")
				
			

+ de 800 algorithmes

dans notre Ikomia HUB, sélectionnés et testés 

Open source

pour un partage facile avec la communauté

Spécialisé

en Computer Vision avec plus de 15 ans d’expérience

+ de 800 algorithmes

dans notre hub, sélectionnés et testés

Open source

pour un partage facile avec la communauté

 

Spécialisé

en Computer Vision avec plus de 15 ans d’expérience

 

left stroke

Exemples d'utilisation

right stroke

Notebook

Description

Simple workflow

How to make a simple workflow

Neural Style transfer

How to run Neural Style transfer on your images

YOLO v7

How to train and run YOLO v7 on your datasets

Detectron2 Object Detection

How to use Detectron2 Object Detection

MMPose

How to use MMPose

Coming soon

left stroke

Liens utiles

right stroke
Fichier 2

Python API documentation

Apprenez à créer votre première Ikomia App Python et profitez des outils Ikomia.

GitHub-Logo

Ikomia GitHub

Ikomia Studio, Ikomia API et tous nos algorithmes sont open source. Visitez notre repo GitHub pour plus d’informations.