DigiKam vernieuwd

digiKam 8.6 Gelanceerd: Een Revolutie in Beeldbeheer en Meer!

Na vier maanden intensieve onderhoudswerkzaamheden en wekenlang het oplossen van bugs, is het digiKam-team trots om versie 8.6.0 van zijn open source digitale fotobeheerder te presenteren.

Nieuwe Functionaliteiten en Belangrijke Wijzigingen

Updates en Verbeteringen in Gezichtsbeheer

De Gezichtsbeheer-tool van digiKam maakt gebruik van geavanceerde AI-technologie om automatisch gezichten in afbeeldingen te detecteren en te herkennen. Deze functie is toegankelijk via het tabblad 'Mensen' in de linkerzijbalk of via de Onderhoudstool. Het gezichtbeheerframework in digiKam is volledig herschreven, inclusief de implementaties van de Gezichtsclassificator en Gezichts-Pipeline. Deze ingrijpende wijzigingen resulteren in aanzienlijke verbeteringen in digiKam 8.6.0. De pipelines functioneren nu 25%-50% sneller bij gebruik van de volledige CPU, wat de prestaties en efficiëntie drastisch verbetert. De gezichtsdetector is verfijnd om het aantal foutpositieven te verminderen, wat zorgt voor nauwkeurigere detecties. Bovendien is er een gloednieuwe gezichtsclassificator geïntroduceerd, die gebruikmaakt van cross-validerende K Nearest Neighbor (KNN) en Support Vector Machine (SVM) classifiers. Deze vooruitgangen verhogen de nauwkeurigheid van het matchen aanzienlijk, waardoor het gezichtsherkenningsproces betrouwbaarder en preciezer is dan ooit tevoren.

De gebruikersinterface voor gezichtsbeheer is vereenvoudigd. De oudere en minder betrouwbare SSD-, YOLO- en OpenFace-modellen zijn verwijderd. Alle verwerking wordt nu afgehandeld door YuNet voor gezichtsdetectie en SFace voor functie-extractie. De methode voor het laden en converteren van afbeeldingen naar een formaat dat geschikt is voor het OpenCV-framework is geoptimaliseerd. Voordien werden afbeeldingen in digiKam 8.5.0 geconverteerd naar BGR-formaat voor verwerking. Nu worden afbeeldingen geconverteerd naar RGB, aangezien YuNet en SFace zijn geoptimaliseerd voor RGB. Deze wijziging heeft geleid tot een meetbare verbetering in de nauwkeurigheid van zowel gezichtsdetectie als gezichtsherkenning.

Een andere belangrijke verbetering is het geoptimaliseerde gebruik van GPU-verwerking in de pipelines. Afbeeldingen worden naar de GPU gestuurd voor het aanpassen van de grootte en de kleurformaten. Daarnaast wordt het door de GPU verwerkte beeld naar de neurale netwerklaag gestuurd, waardoor de referentie-engine het kan verwerken op de GPU via het OpenCL-framework. Naast de prestatieverbeteringen van de GPU maken de gezichts-pipelines nu gebruik van een dynamisch schalend algoritme om parallelle werkdraadjes te verhogen op basis van de hardware- en geheugencapaciteit van de gebruiker. Dit stelt digiKam in staat om optimaal gebruik te maken van de hardwarecapaciteiten van de computer.

We hebben ook een Face Image Quality Assessment (FIQA) toegevoegd. FIQA verwijdert kleine, pixelachtige, ruisachtige en vage afbeeldingen uit de trainingsdataset die wordt gebruikt voor het herkenningsmodel. Dit snelle, multi-stap proces omvat een Fast Fourier Transform-filter voor het detecteren van onscherpte en convolutie- en Gaussiaanse filters voor het detecteren van ruis.

De laatste grote update voor gezichtsbeheer is de gezichtsclassificator die één gezicht aan een ander koppelt voor herkenning. Voorheen, in digiKam 8.5.0, werd een op maat gemaakte KNN-classificator gebruikt. In versie 8.6.0 is een ensemble-aanpak aangenomen, waarbij cross-validerende KNN- en SVM-internal classifiers van OpenCV worden gecombineerd met een enkele aangepaste afstandscontrole. De nieuwe classificator is zowel sneller als nauwkeuriger. Het enige dat we echt hergebruiken van digiKam 8.5.0 zijn de YuNet- en SFace-modellen zelf.

Auto-Tags Beheer

De auto-tags functie in digiKam analyseert de inhoud van afbeeldingen om verschillende elementen te detecteren, zoals objecten, standbeelden, dieren, planten en evenementen. Sleutelwoorden worden automatisch gegenereerd door een neuraal netwerk en kunnen worden vertaald naar de door jou gekozen talen. De Auto-tags engine is volledig herschreven en omvat nu de nieuwe pipelines en verbeteringen die zijn aangebracht in de Gezichtsbeheer-engine. Nieuwe classifiers en de optie om de betrouwbaarheiddrempel van Auto Tagging aan te passen zijn toegevoegd. Auto Tagging is nu sneller en nauwkeuriger, met gebruik van de nieuwste YOLOv11 Nano, YOLOv11 XLarge en EfficientNet B7 Deep-Learning Neuraal Netwerkmodellen. Om de bestandsgrootte bij het opstarten te verkleinen, zijn de oudere YOLOv5- en ResNet-50-modellen verwijderd.

De auto-tags scan-tool is nu beschikbaar in het Tags-tabblad op de linkerzijbalk voor verbeterde bruikbaarheid. Het blijft toegankelijk in de Onderhoudstool en als een Batch Queue Manager-plugin.

Beheer van Afbeeldingskwaliteit

De functie voor Afbeeldingskwaliteit in digiKam beoordeelt de esthetische kwaliteit van afbeeldingen en classificeert ze automatisch met een gekleurde vlag (pick label) in de digiKam-database. De kwaliteitsbeoordeling kan worden bepaald met behulp van moderne AI-engines of door eenvoudige algoritmen (zoals ruis-, onscherpte- en belichtingsdetectie). De Afbeeldingskwaliteitsordner is hernoemd naar Afbeeldingskwaliteitscanner en is nu beschikbaar vanuit het Labels-tabblad op de linkerzijbalk voor betere bruikbaarheid. Het blijft toegankelijk in de Onderhoudstool en als een Batch Queue Manager-plugin. De globale instellingen voor Afbeeldingskwaliteit uit de setupdialoog zijn verwijderd.

Correctie van Rode Ogen

Zowel de Afbeeldingseditor als de Batch Queue Manager beschikken over een plugin die is ontworpen om ogen in een gezicht te detecteren en rode ogen veroorzaakt door de flits van de camera te corrigeren. Deze tools zijn volledig herontworpen met een deep learning-engine, wat zorgt voor een superieure analyse en correctie in vergelijking met eerdere versies van digiKam.

Updates van Interne Componenten

Deze versie bevat een update van de interne RAW-decoder, Libraw, naar de rolling-release snapshot van 2025-02-08, samen met verschillende bugfixes. De industriestandaard open-sourcecomponent ExifTool is geüpdatet naar de laatste 12.99-release in alle bundels voor metadata-beheer. Alle bundels zijn bijgewerkt naar de Qt-frameworkversie 6.8.1. De beroemde G’MIC-Qt-plugin, beschikbaar in de Afbeeldingseditor en de Batch Queue Manager, is nu bijgewerkt naar de laatste 3.4.2. Het is nu mogelijk om een G’MIC-Qt-filter toe te passen op een eerder geselecteerde selectie op het canvas van de Afbeeldingseditor.

Opmerkelijke Bugfixes

• Corrigeer onjuiste verwerking in de gezichtsbeheerworkflow
• Corrigeer gedrag in de gebruikersinterface van gezichtsbeheer
• Corrigeer crashes in de gezichtsworkflow
• Corrigeer interoperabiliteit van videobestanden met metadata met propriëtaire software
• Corrigeer crash met WebM-bestanden onder Windows
• Corrigeer desktopintegratie van de Linux AppImage-bundel
• Voeg een nieuwe video-decodering versnelling toe met GPU

Onze dank gaat uit naar André Molkentin, onze ere Quality Test Engineer, voor zijn ontelbare uren van toewijding om het team te helpen bij het identificeren en oplossen van verschillende problemen met de gezichtsbeheerworkflow.

Algemeen

In totaal zijn er 140 bugs opgelost en hebben we veel tijd besteed aan het bereiken van gebruikers om wijzigingen in pre-release versies te valideren. Dit zorgde ervoor dat de fixes werden bevestigd voordat we de digiKam 8.6.0-release voorbereidden. De internationalisering van de applicatie is bijgewerkt, en digiKam en Showfoto ondersteunen nu 61 talen voor de grafische interface. Om de taal te wijzigen, ga je naar de instellingen/Configureer talen dialoog en selecteer je je voorkeurstaal. Herstart digiKam om de wijzigingen toe te passen. Als je geïnteresseerd bent in het bijdragen aan de internationaliseringsinspanningen, neem dan contact op met de vertaalteams, volgens de vertaalinstructies. Statistieken over de vertaalstatus zijn hier beschikbaar.

Downloaden kan Hier