Utilizzo dell’apprendimento automatico non supervisionato, FastAPI e Docker
- Dichiarazione problema
- Estrai i colori dalle immagini
- Struttura del progetto
- Codice
- Distribuire il contenitore Docker
- Proviamolo!
- Documentazione dell’API
- Conclusioni
- Dichiarazione di non responsabilità sulla licenza
Immaginiamo una sala di controllo di a impianto di produzionedove i prodotti fabbricati devono essere smistati automaticamente. Ad esempio, in base al colore, le merci possono essere reindirizzate a diversi rami di un trasportatore a rulli per ulteriori lavorazioni o imballaggi.
Altrimenti possiamo anche immaginare un rivenditore online cercando di migliorare l’esperienza dell’utente aggiungendo a ricerca per colore funzionalità. I clienti potranno trovare più facilmente un capo di abbigliamento di un particolare colore, semplificando così il loro accesso ai prodotti di interesse.
Oppure, proprio come l’autore, puoi immaginarti come un consulente IT implementare uno strumento semplice, veloce e riutilizzabile per generare tavolozze di colori per presentazioni, grafici e app da immagini di input.
Questi sono solo alcuni esempi di come l’estrazione dei colori principali da un’immagine possa migliorare l’efficienza operativa o migliorare l’esperienza del cliente.
In questo post del blog utilizziamo Python per implementare l’estrazione dei colori predominanti da una determinata immagine. Quindi, utilizziamo FastAPI e Docker per creare pacchetti e distribuire la soluzione come servizio.
Lo scopo di questo post è condividere un’illustrazione end-to-end sull’implementazione di un servizio leggero e coerente che sfrutta le tecniche di machine learning per realizzare uno scopo aziendale. Tale servizio può essere facilmente integrato in a architettura dei microservizi.
Un’immagine digitale è essenzialmente una griglia bidimensionale di singoli componenti noti come pixel. Pixel sono l’unità più piccola di visualizzazione nell’immagine e trasportano informazioni sul suo colore. UN…
Fonte: towardsdatascience.com
