kornia
v0.7.4
الإنجليزية | 简体中文
المستندات • جربه الآن • البرامج التعليمية • الأمثلة • المدونة • المجتمع
Kornia هي مكتبة رؤية حاسوبية قابلة للتمييز توفر مجموعة غنية من خوارزميات معالجة الصور والرؤية الهندسية القابلة للتمييز. تم بناء Kornia على قمة PyTorch، وهو يتكامل بسلاسة مع سير عمل الذكاء الاصطناعي الحالي، مما يسمح لك بالاستفادة من تحويلات الدُفعات القوية والتمايز التلقائي وتسريع وحدة معالجة الرسومات. سواء كنت تعمل على تحويلات الصور أو زياداتها أو معالجة الصور المعتمدة على الذكاء الاصطناعي، فإن Kornia تزودك بالأدوات التي تحتاجها لإضفاء الحيوية على أفكارك.
| فئة | الأساليب/النماذج |
|---|---|
| معالجة الصور | - تحويلات الألوان (RGB، تدرج الرمادي، HSV، الخ.) - التحولات الهندسية (Affine، Homography، Resizing، إلخ.) - التصفية (تمويه غاوسي، تمويه متوسط، إلخ.) - كشف الحواف (سوبل، كاني، الخ.) - العمليات المورفولوجية (التآكل، التمدد، الخ) |
| زيادة | - الاقتصاص العشوائي، والمحو - التحولات الهندسية العشوائية (Affine، Flipping، Fish Eye، Perspective، Thin Plate spline، Elastic) - أصوات عشوائية (غاوسي، متوسط، حركة، صندوق، مطر، ثلج، ملح وفلفل) - ارتعاش الألوان العشوائي (التباين، السطوع، CLAHE، التعادل، جاما، هوى، عكس، JPEG، البلازما، Posterize، التشبع، الحدة، التشميس) - خلط عشوائي، CutMix، فسيفساء، زرع، الخ. |
| كشف الميزة | - الكاشف (Harris، GFTT، Hessian، DoG، KeyNet، DISK وDeDoDe) - واصف (SIFT، HardNet، TFeat، HyNet، SOSNet، وLAFDescriptor) - المطابقة (أقرب جار، أقرب جار متبادل، مطابقة هندسية، AdaLAM LightGlue، وLoFTR) |
| الهندسة | - نماذج الكاميرا ومعايرتها - رؤية مجسمة (الهندسة فوق القطبية، التباين، الخ.) - تقدير التماثل - تقدير العمق من التفاوت - التحولات ثلاثية الأبعاد |
| طبقات التعلم العميق | - طبقات تلافيفية مخصصة - طبقات متكررة لمهام الرؤية - وظائف الخسارة (على سبيل المثال، SSIM، PSNR، وما إلى ذلك) - محسنات خاصة بالرؤية |
| الوظائف الضوئية | - وظائف الخسارة الضوئية - التعزيزات الضوئية |
| تصفية | - التصفية الثنائية - ديكسي نيد - الذوبان - طمس الموجهة - لابلاسيان - غاوسي - الوسائل غير المحلية - سوبل - اخفاء غير حاد |
| لون | - تحويلات مساحة اللون - تعديل السطوع/التباين - تصحيح جاما |
| رؤية ستيريو | - تقدير التفاوت - تقدير العمق - التصحيح |
| تسجيل الصور | - التسجيل على أساس التجانس والتجانس - محاذاة الصورة باستخدام ميزة مطابقة |
| تقدير الموقف | - تقدير المصفوفة الأساسية والأساسية - حلول مشاكل PnP - تشكل الصقل |
| التدفق البصري | - التدفق البصري لفارنيباك - التدفق البصري الكثيف - التدفق البصري المتناثر |
| رؤية ثلاثية الأبعاد | - تقدير العمق - العمليات السحابية للنقطة - نيرف |
| تقليل الضوضاء الصورة | - إزالة الضوضاء الغوسية - إزالة الضوضاء بواسون |
| كشف الحافة | - مشغل سوبيل - كشف الحافة الحاذقة |
| التحولات | - التناوب - ترجمة - التحجيم - القص |
| وظائف الخسارة | - SSIM (قياس مؤشر التشابه الهيكلي) - PSNR (نسبة الذروة للإشارة إلى الضوضاء) - كوشي - شاربونييه - عمق سلس - النرد - هاوسدورف - تفيرسكي - ويلش |
| العمليات المورفولوجية | - التمدد - التآكل - الافتتاح - الإغلاق |
Kornia هو مشروع مفتوح المصدر تم تطويره وصيانته بواسطة متطوعين. سواء كنت تستخدمه لأغراض بحثية أو تجارية، فكر في رعايتنا أو التعاون معنا. سيساعد دعمك في ضمان نمو Kornia وابتكارها المستمر. تواصل معنا اليوم وكن جزءًا من تشكيل مستقبل هذه المبادرة المثيرة!
pip install korniapip install -e . pip install git+https://github.com/kornia/korniaKornia ليست مجرد مكتبة أخرى لرؤية الكمبيوتر - إنها بوابتك إلى رؤية الكمبيوتر والذكاء الاصطناعي دون عناء.
import numpy as np
import kornia_rs as kr
from kornia . augmentation import AugmentationSequential , RandomAffine , RandomBrightness
from kornia . filters import StableDiffusionDissolving
# Load and prepare your image
img : np . ndarray = kr . read_image_any ( "img.jpeg" )
img = kr . resize ( img , ( 256 , 256 ), interpolation = "bilinear" )
# alternatively, load image with PIL
# img = Image.open("img.jpeg").resize((256, 256))
# img = np.array(img)
img = np . stack ([ img ] * 2 ) # batch images
# Define an augmentation pipeline
augmentation_pipeline = AugmentationSequential (
RandomAffine (( - 45. , 45. ), p = 1. ),
RandomBrightness (( 0. , 1. ), p = 1. )
)
# Leveraging StableDiffusion models
dslv_op = StableDiffusionDissolving ()
img = augmentation_pipeline ( img )
dslv_op ( img , step_number = 500 )
dslv_op . save ( "Kornia-enhanced.jpg" ) import numpy as np
from kornia . onnx import ONNXSequential
# Chain ONNX models from HuggingFace repo and your own local model together
onnx_seq = ONNXSequential (
"hf://operators/kornia.geometry.transform.flips.Hflip" ,
"hf://models/kornia.models.detection.rtdetr_r18vd_640x640" , # Or you may use "YOUR_OWN_MODEL.onnx"
)
# Prepare some input data
input_data = np . random . randn ( 1 , 3 , 384 , 512 ). astype ( np . float32 )
# Perform inference
outputs = onnx_seq ( input_data )
# Print the model outputs
print ( outputs )
# Export a new ONNX model that chains up all three models together!
onnx_seq . export ( "chained_model.onnx" )يمكنك الآن استخدام Kornia مع TensorFlow وJAX وNumPy. راجع دعم الإطارات المتعددة لمزيد من التفاصيل.
import kornia
tf_kornia = kornia . to_tensorflow ()مدعوم من
هل أنت متحمس لرؤية الكمبيوتر والذكاء الاصطناعي وتطوير المصادر المفتوحة؟ انضم إلينا في تشكيل مستقبل كورنيا! نحن نبحث بنشاط عن مساهمين للمساعدة في توسيع مكتبتنا وتحسينها، مما يجعلها أكثر قوة وسهولة في الوصول إليها وتنوعًا. سواء كنت مطورًا ذا خبرة أو بدأت للتو، فهناك مكان لك في مجتمعنا.
يسعدنا أن نعلن عن أحدث تطوراتنا: مبادرة جديدة مصممة لدمج نماذج الذكاء الاصطناعي خفيفة الوزن بسلاسة في Kornia. نحن نهدف إلى تشغيل أي نماذج بسلاسة مثل النماذج الكبيرة مثل StableDiffusion، لدعمها بشكل جيد في العديد من وجهات النظر. لقد قمنا بالفعل بتضمين مجموعة مختارة من نماذج الذكاء الاصطناعي خفيفة الوزن مثل YuNet (اكتشاف الوجه)، وLoftr (مطابقة الميزات)، وSAM (التجزئة). والآن، نحن نبحث عن مساهمين لمساعدتنا:
يكمن أساس Kornia في مجموعتها الواسعة من مشغلي الرؤية الحاسوبية الكلاسيكية، مما يوفر أدوات قوية لمعالجة الصور واستخراج الميزات والتحويلات الهندسية. نسعى باستمرار للمساهمين لمساعدتنا في تحسين وثائقنا وتقديم برامج تعليمية رائعة لمستخدمينا.
إذا كنت تستخدم كورنيا في مستنداتك المتعلقة بالبحث، فمن المستحسن أن تستشهد بالورقة البحثية. رؤية المزيد في الاقتباس.
@inproceedings { eriba2019kornia ,
author = { E. Riba, D. Mishkin, D. Ponsa, E. Rublee and G. Bradski } ,
title = { Kornia: an Open Source Differentiable Computer Vision Library for PyTorch } ,
booktitle = { Winter Conference on Applications of Computer Vision } ,
year = { 2020 } ,
url = { https://arxiv.org/pdf/1910.02190.pdf }
}نحن نقدر كل المساهمات. إذا كنت تخطط للمساهمة في إصلاحات الأخطاء، فيرجى القيام بذلك دون مزيد من المناقشة. إذا كنت تخطط للمساهمة بميزات جديدة أو وظائف مساعدة أو ملحقات، فيرجى أولاً فتح مشكلة ومناقشة الميزة معنا. من فضلك، فكر في قراءة ملاحظات المساهمة. تخضع المشاركة في هذا المشروع مفتوح المصدر لقواعد السلوك.
مصنوعة من contrib.rocks.
تم إصدار Kornia بموجب ترخيص Apache 2.0. راجع ملف الترخيص لمزيد من المعلومات.
