Orange: Import Images - Revision history

Onnowpurbo at 02:48, 18 March 2020

2020-03-18T02:48:26Z

Onnowpurbo: /* Output */

2020-03-18T02:48:02Z

Output

Onnowpurbo: /* Contoh */

2020-03-18T02:47:01Z

Contoh

Onnowpurbo at 04:32, 12 March 2020

2020-03-12T04:32:48Z

Onnowpurbo at 04:26, 29 January 2020

2020-01-29T04:26:50Z

Onnowpurbo at 01:20, 25 January 2020

2020-01-25T01:20:20Z

Onnowpurbo: Created page with "Sumber: https://orange.biolab.si/widget-catalog/image-analytics/importimages/ Import Images Import images from a directory(s). Outputs Data: Dataset describing one i..."

2020-01-19T22:15:48Z

Created page with "Sumber: https://orange.biolab.si/widget-catalog/image-analytics/importimages/ Import Images Import images from a directory(s). Outputs Data: Dataset describing one i..."

New page

Sumber: https://orange.biolab.si/widget-catalog/image-analytics/importimages/

Import Images

Import images from a directory(s).

Outputs

Data: Dataset describing one image in each row.

Import Images walks through a directory and returs one row per located image. Columns include image name, path to image, width, height and image size. Column with image path is later used as an attribute for image visualization and embedding.

Currently loaded folder.
Select the folder to load.
Click Reload to update imported images.
Information on the input.
Access help.

You can load a folder containing subfolders. In this case Orange will consider each folder as a class value. In the example above, Import Images loaded 26 images belonging to two categories. These two categories will be used as class values.
Example

Import Images is likely the first widget you will use in image analysis. It loads images and creates class values from folders. In this example we used Import Images to load 26 painting belonging to either Monet or Manet.

We can observe the result in a Data Table. See how Orange added an extra class attribute with values Monet and Manet?

Now we can proceed with standard machine learning methods. We will send images to Image Embedding, where we will use Painters embedder to retrieve image vectors.

Then we will use Test & Score and Logistic Regression, to build a model for predicting the author of a painting. We get a perfect score? How come? It turns out, these were the images the Painters embedder was trained on, so a high accuracy is expected.

==Referensi==

* https://orange.biolab.si/widget-catalog/image-analytics/importimages/

==Pranala Menarik==

* [[Orange]]

← Older revision		Revision as of 02:48, 18 March 2020
Line 2:		Line 2:


−	Import image (gambar) dari directory.	+	Widget Import Images memungkinkan kita untuk meng-import image (gambar) dari directory.

	==Output==		==Output==

@@ Line 8: / Line 8: @@
   Data: Dataset describing one image in each row.
-Import Images men-scan direktori dan mengembalikan satu baris per gambar yang terambil. Dalam kolom terdapat nama gambar, path directory ke gambar, lebar, tinggi dan ukuran gambar. Kolom dengan path directory tempat gambar kemudian digunakan sebagai atribut untuk visualisasi dan embedding gambar.
+Widget Import Images men-scan direktori dan mengembalikan satu baris per gambar yang terambil. Dalam kolom terdapat nama gambar, path directory ke gambar, lebar, tinggi dan ukuran gambar. Kolom dengan path directory tempat gambar kemudian digunakan sebagai atribut untuk visualisasi dan Image Embedding.
 [[File:ImportImages-stamped.png|center|200px|thumb]]
@@ Line 21: / Line 21: @@
 [[File:ImportImages-class.png|center|200px|thumb]]
 ==Contoh==

@@ Line 25: / Line 25: @@
 ==Contoh==
-Widget Impor Gambar kemungkinan merupakan widget pertama yang akan kita gunakan dalam image analysis. Ini me-load gambar dan menciptakan nilai class dari folder. Dalam contoh ini, kita menggunakan Widget Import Images untuk memuat 26 lukisan milik Monet atau Manet.
+Widget Import Images kemungkinan merupakan widget pertama yang akan kita gunakan dalam image analysis. Widget Import Images me-load gambar dan menciptakan nilai class dari folder. Dalam contoh ini, kita menggunakan Widget Import Images untuk memuat 26 lukisan milik Monet atau Manet.
-Kita dapat mengamati hasinya di Widget Data Table. Bisa terlihat dengan jelas bagaimana Orange menambahkan class attribute tambahan dengan nilai Monet dan Manet.
+Kita dapat mengamati hasilnya di Widget Data Table. Bisa terlihat dengan jelas bagaimana Orange menambahkan class attribute tambahan dengan nilai Monet dan Manet.
 Selanjutnya kita dapat melanjutkan ke metoda machine learning standard. Kita kirim image ke widget Image Embedding, dimana kita akan menggunakan Painters embedder untuk menerima image vector.
-Kemudian kita akan menggunakan Widget Test & Score dan Widget Logistic Regression, untuk membuat model untuk predict pelukis dari sebuah lukisan (dalam hal ini Monet atau Manet). Kita memperoleh score yang baik sekali? Bagaimana mungkin? Ternyata, gambar-gambar ini adalah gambar yang sudah di train-kan ke Painters embedder, oleh karenanya keakuratan yang akan di peroleh akan tinggi.
+Kemudian kita akan menggunakan Widget Test & Score dan Widget Logistic Regression, untuk membuat model untuk predict pelukis dari sebuah lukisan (dalam hal ini Monet atau Manet). Kita memperoleh score yang baik sekali, Bagaimana mungkin? Ternyata, gambar-gambar ini adalah gambar yang sudah di train-kan ke Painters embedder, oleh karenanya keakuratan yang akan di peroleh akan tinggi.
 [[File:ImportImages-Example.png|center|200px|thumb]]
 ==Referensi==

@@ Line 2: / Line 2: @@
-Import images from a directory(s).
+Import image (gambar) dari directory.
 ==Output==
@@ Line 8: / Line 8: @@
   Data: Dataset describing one image in each row.
-Import Images walks through a directory and returs one row per located image. Columns include image name, path to image, width, height and image size. Column with image path is later used as an attribute for image visualization and embedding.
+Import Images men-scan direktori dan mengembalikan satu baris per gambar yang terambil. Dalam kolom terdapat nama gambar, path directory ke gambar, lebar, tinggi dan ukuran gambar. Kolom dengan path directory tempat gambar kemudian digunakan sebagai atribut untuk visualisasi dan embedding gambar.
 [[File:ImportImages-stamped.png|center|200px|thumb]]
@@ Line 18: / Line 18: @@
 * Access help.
-You can load a folder containing subfolders. In this case Orange will consider each folder as a class value. In the example above, Import Images loaded 26 images belonging to two categories. These two categories will be used as class values.
+Kita dapat me-load folder yang berisi subfolder. Dalam hal ini Orange akan mempertimbangkan setiap folder sebagai nilai class. Pada contoh di atas, Import Images memuat 26 gambar yang termasuk dalam dua kategori. Dua kategori ini akan digunakan sebagai nilai class.
 [[File:ImportImages-class.png|center|200px|thumb]]
@@ Line 25: / Line 25: @@
 ==Contoh==
-Import Images is likely the first widget you will use in image analysis. It loads images and creates class values from folders. In this example we used Import Images to load 26 painting belonging to either Monet or Manet.
+Widget Impor Gambar kemungkinan merupakan widget pertama yang akan kita gunakan dalam image analysis. Ini me-load gambar dan menciptakan nilai class dari folder. Dalam contoh ini, kita menggunakan Widget Import Images untuk memuat 26 lukisan milik Monet atau Manet.
-We can observe the result in a Data Table. See how Orange added an extra class attribute with values Monet and Manet?
+Kita dapat mengamati hasinya di Widget Data Table. Bisa terlihat dengan jelas bagaimana Orange menambahkan class attribute tambahan dengan nilai Monet dan Manet.
-Now we can proceed with standard machine learning methods. We will send images to Image Embedding, where we will use Painters embedder to retrieve image vectors.
+Selanjutnya kita dapat melanjutkan ke metoda machine learning standard. Kita kirim image ke widget Image Embedding, dimana kita akan menggunakan Painters embedder untuk menerima image vector.
-Then we will use Test & Score and Logistic Regression, to build a model for predicting the author of a painting. We get a perfect score? How come? It turns out, these were the images the Painters embedder was trained on, so a high accuracy is expected.
+Kemudian kita akan menggunakan Widget Test & Score dan Widget Logistic Regression, untuk membuat model untuk predict pelukis dari sebuah lukisan (dalam hal ini Monet atau Manet). Kita memperoleh score yang baik sekali? Bagaimana mungkin? Ternyata, gambar-gambar ini adalah gambar yang sudah di train-kan ke Painters embedder, oleh karenanya keakuratan yang akan di peroleh akan tinggi.
 [[File:ImportImages-Example.png|center|200px|thumb]]

@@ Line 1: / Line 1: @@
 Sumber: https://orange.biolab.si/widget-catalog/image-analytics/importimages/
 Import images from a directory(s).
-Outputs
+==Output==
-    Data: Dataset describing one image in each row.
+ Data: Dataset describing one image in each row.
 Import Images walks through a directory and returs one row per located image. Columns include image name, path to image, width, height and image size. Column with image path is later used as an attribute for image visualization and embedding.
@@ Line 15: / Line 12: @@
 [[File:ImportImages-stamped.png|center|200px|thumb]]
-    Currently loaded folder.
+* Currently loaded folder.
-    Select the folder to load.
+* Select the folder to load.
-    Click Reload to update imported images.
+* Click Reload to update imported images.
-    Information on the input.
+* Information on the input.
-    Access help.
+* Access help.
 You can load a folder containing subfolders. In this case Orange will consider each folder as a class value. In the example above, Import Images loaded 26 images belonging to two categories. These two categories will be used as class values.