مدل هوش مصنوعی EfficientDet

# نصب کتابخانه‌های لازم
!pip install tensorflow tensorflow_hub opencv-python matplotlib

# وارد کردن کتابخانه‌ها
import tensorflow as tf
import tensorflow_hub as hub
import cv2
import matplotlib.pyplot as plt

# بارگیری مدل EfficientDet-D0 از TF Hub
model_url = "https://tfhub.dev/tensorflow/efficientdet/d0/1"
model = hub.load(model_url)

# بارگیری و پیش‌پردازش تصویر
image_path = "test_image.jpg"
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
input_image = tf.convert_to_tensor(image)
input_image = tf.expand_dims(input_image, axis=0)  # تبدیل به بچ سایز ۱

# اجرای مدل و دریافت پیشبینیها
outputs = model(input_image)

# استخراج جعبه‌ها، کلاس‌ها، و نمرات اطمینان
boxes = outputs["detection_boxes"].numpy()[0]
classes = outputs["detection_classes"].numpy()[0].astype(int)
scores = outputs["detection_scores"].numpy()[0]

# نمایش نتایج
plt.figure(figsize=(10, 10))
plt.imshow(image)
for i in range(len(scores)):
    if scores[i] > 0.5:  # آستانه اطمینان
        ymin, xmin, ymax, xmax = boxes[i]
        height, width, _ = image.shape
        xmin = int(xmin * width)
        xmax = int(xmax * width)
        ymin = int(ymin * height)
        ymax = int(ymax * height)
        plt.gca().add_patch(plt.Rectangle((xmin, ymin), xmax - xmin, ymax - ymin,
                             fill=False, edgecolor='red', linewidth=2))
        plt.text(xmin, ymin - 5, f'Class: {classes[i]}, Score: {scores[i]:.2f}',
                color='white', fontsize=10, backgroundcolor='red')
plt.axis('off')
plt.show()

# نصب کتابخانه‌های لازم
!pip install tensorflow tensorflow_datasets pycocotools

# وارد کردن کتابخانه‌ها
import tensorflow as tf
from tensorflow.keras import layers
import tensorflow_datasets as tfds

# بارگیری دیتاست COCO
dataset, info = tfds.load('coco/2017', with_info=True, split='train')

# پیش‌پردازش داده‌ها
def preprocess(data):
    image = data['image']
    image = tf.image.resize(image, (512, 512))  # مطابق ورودی EfficientDet-D0
    image = tf.cast(image, tf.float32) / 255.0
    bboxes = data['objects']['bbox']
    classes = data['objects']['label']
    return image, {'bbox': bboxes, 'class': classes}

# ایجاد پایت‌لاین داده
batch_size = 4
train_data = dataset.map(preprocess).batch(batch_size).prefetch(tf.data.AUTOTUNE)

# تعریف مدل EfficientDet
model = tf.keras.models.load_model(
    'https://tfhub.dev/tensorflow/efficientdet/d0/1',
    custom_objects={'KerasLayer': hub.KerasLayer}
)

# کامپایل مدل
optimizer = tf.keras.optimizers.Adam(learning_rate=1e-4)
loss = {
    'bbox': tf.keras.losses.Huber(),
    'class': tf.keras.losses.SparseCategoricalCrossentropy()
}
model.compile(optimizer=optimizer, loss=loss)

# آموزش مدل
model.fit(train_data, epochs=10)