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.

Une API pour gagner du temps

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.

Pour tous profils de développeurs

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.

Facile à utiliser

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
import cv2

# 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")