https://github.com/23tae/image2label

Image detection and CSV export tool powered by Amazon Rekognition
https://github.com/23tae/image2label

computer-vision image-classification image-labeling-tool object-detection rekognition university

Last synced: 3 months ago
JSON representation

Image detection and CSV export tool powered by Amazon Rekognition

• Host: GitHub
• URL: https://github.com/23tae/image2label
• Owner: 23tae
• Created: 2024-04-28T17:09:03.000Z (about 2 years ago)
• Default Branch: main
• Last Pushed: 2025-02-13T15:02:03.000Z (over 1 year ago)
• Last Synced: 2025-03-06T12:52:43.681Z (over 1 year ago)
• Topics: computer-vision, image-classification, image-labeling-tool, object-detection, rekognition, university
• Language: Python
• Homepage:
• Size: 14.3 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Image2Label

## Overview

[Amazon Rekognition](https://aws.amazon.com/rekognition/)을 사용하여 이미지에서 레이블을 탐지하고 이를 CSV 파일 형식으로 저장하는 프로그램

## Functionality

- [Amazon S3](https://aws.amazon.com/s3/) 버킷에 연결하여 이미지를 찾는다.

- Rekognition을 사용하여 각 이미지에서 레이블을 감지한다.

- "labels" 디렉토리 내에 각 이미지별 CSV 파일(레이블, 신뢰도 점수)을 저장한다.

## Prerequisites

- Amazon Web Services (AWS) 계정: Amazon Rekognition 서비스에 액세스할 수 있는 AWS 계정

- Python

- 의존성 패키지: 필요한 의존성 패키지를 설치하기 위해 아래 명령을 실행:

  ```shell

  pip install -r requirements.txt

  ```

- Amazon S3 버킷에 이미지 업로드

- 환경 변수: env.sample 파일을 복사하여 `.env` 파일을 생성하고, 이미지가 위치한 S3 버킷의 이름과 폴더명을 설정

- AWS CLI credentials 설정 ([참고](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html))

## Usage

- 프로그램 실행

  ```py

  python3 main.py

  ```

- `labels/` 에서 csv 파일 확인

## Output example

| 이미지                          | 결과                                                                 |

|----------------------------------|---------------------------------------------------------------------|

| ![image1](/assets/images/image1.jpg) | **Label,Confidence**
Nature,100.0
Outdoors,100.0
Pond,100.0
Water,100.0
Land,99.99502563476562
Scenery,98.19378662109375
Person,97.50032043457031
Bench,97.08635711669922
Swamp,96.99015808105469
Construction Crane,96.9571762084961 |

| ![image2](/assets/images/image2.jpg) | **Label,Confidence**
Indoors,99.99805450439453
Restaurant,99.99805450439453
Cafeteria,99.98191833496094
Cafe,99.89547729492188
Person,99.45893096923828
Chair,99.38227844238281
Cup,99.03710174560547
Lamp,98.38184356689453
Speaker,96.35136413574219
Plywood,95.61605072021484 |

| ![image3](/assets/images/image3.jpg) | **Label,Confidence**
City,99.97466278076172
Road,99.97466278076172
Street,99.97466278076172
Urban,99.97466278076172
Neighborhood,99.74077606201172
Truck,99.69886016845703
Person,99.37333679199219
Box,99.04634857177734
Car,98.82805633544922
Shoe,98.06107330322266 |