Startseite>Programmierbezogen>Python
Herunterladen

Albumentationen


Dokumente | Zwietracht | Twitter | LinkedIn

Albumentations ist eine Python-Bibliothek zur Bildvergrößerung. Bildvergrößerung wird bei Deep-Learning- und Computer-Vision-Aufgaben eingesetzt, um die Qualität trainierter Modelle zu erhöhen. Der Zweck der Bilderweiterung besteht darin, aus den vorhandenen Daten neue Trainingsbeispiele zu erstellen.

Hier ist ein Beispiel dafür, wie Sie einige Erweiterungen auf Pixelebene aus Albumentations anwenden können, um aus dem Originalbild neue Bilder zu erstellen:

Warum Albumentationen

  • Vollständige Computer-Vision-Unterstützung : Funktioniert mit allen wichtigen CV-Aufgaben, einschließlich Klassifizierung, Segmentierung (Semantik und Instanz), Objekterkennung und Posenschätzung.

  • Einfache, einheitliche API : Eine konsistente Schnittstelle für alle Datentypen – RGB-/Graustufen-/multispektrale Bilder, Masken, Begrenzungsrahmen und Schlüsselpunkte.

  • Umfangreiche Augmentationsbibliothek : Über 70 hochwertige Augmentationen zur Verbesserung Ihrer Trainingsdaten.

  • Schnell : Kontinuierlich als schnellste Erweiterungsbibliothek bewertet, mit Optimierungen für den Produktionseinsatz.

  • Deep-Learning-Integration : Funktioniert mit PyTorch, TensorFlow und anderen Frameworks. Teil des PyTorch-Ökosystems.

  • Von Experten erstellt : Entwickelt von Entwicklern mit umfassender Erfahrung in Wettbewerben im Bereich Computer Vision und maschinelles Lernen.

Community-gesteuertes Projekt, unterstützt von

Albumentations lebt von Entwicklerbeiträgen. Wir danken unseren Sponsoren, die dabei helfen, die Infrastruktur des Projekts aufrechtzuerhalten.

? Goldsponsoren
Ihr Unternehmen könnte hier sein
? Silbersponsoren

? Bronzesponsoren

? Werden Sie Sponsor

Mit Ihrem Sponsoring möchten Sie den Betreuern und Mitwirkenden, die ihre Freizeit damit verbringen, Albumentations aufzubauen und zu pflegen, „Danke“ sagen. Sponsoren werden auf unserer Website und in der README-Datei vorgestellt. Sehen Sie sich die Sponsoring-Stufen auf GitHub Sponsors an

Inhaltsverzeichnis

  • Albumentationen

    • Systeminformationen

    • Benchmark-Parameter

    • Bibliotheksversionen

    • Semantische Segmentierung im Inria-Datensatz

    • Medizinische Bildgebung

    • Objekterkennung und semantische Segmentierung im Mapillary Vistas-Datensatz

    • Erweiterung der Schlüsselpunkte

    • Transformationen auf Pixelebene

    • Transformationen auf räumlicher Ebene

    • Siehe auch

    • Ich bin neu in der Bildvergrößerung

    • Ich möchte Albumentations für eine bestimmte Aufgabe wie Klassifizierung oder Segmentierung verwenden

    • Ich möchte wissen, wie man Albumentations mit Deep-Learning-Frameworks verwendet

    • Ich möchte Augmentationen erkunden und Albumentations in Aktion sehen

    • Aktueller Betreuer

    • Emeritierte Kernteammitglieder

    • ? Werden Sie Sponsor

    • Warum Albumentationen

    • Community-gesteuertes Projekt, unterstützt von

    • Inhaltsverzeichnis

    • Autoren

    • Installation

    • Dokumentation

    • Ein einfaches Beispiel

    • Erste Schritte

    • Wer verwendet Albumentations?

    • Liste der Erweiterungen

    • Noch ein paar Beispiele für Erweiterungen

    • Benchmarking-Ergebnisse

    • Leistungsvergleich

    • Mitwirken

    • Gemeinschaft

    • Zitieren

    Autoren

    Aktueller Betreuer

    Wladimir I. Iglovikov | Kaggle-Großmeister

    Emeritierte Kernteammitglieder

    Michail Druschinin | Kaggle-Experte

    Alex Parinov | Kaggle-Meister

    Alexander Buslaev | Kaggle-Meister

    Eugene Khvedchenya | Kaggle-Großmeister

    Installation

    Für Albumentations ist Python 3.9 oder höher erforderlich. So installieren Sie die neueste Version von PyPI:

     pip install -U Albumentationen

    Weitere Installationsmöglichkeiten sind in der Dokumentation beschrieben.

    Dokumentation

    Die vollständige Dokumentation ist unter https://albumentations.ai/docs/ verfügbar.

    Ein einfaches Beispiel

     Albumentationen als Aimport cv2# importieren Deklarieren Sie eine Erweiterungspipelinetransform = A.Compose([A.RandomCrop(width=256, height=256),A.HorizontalFlip(p=0.5),A.RandomBrightnessContrast(p=0.2),
])# Ein Bild mit OpenCV lesen und in den RGB-Farbraum konvertierenimage = cv2.imread("image.jpg")image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# Ein Bild erweiterntransformed = transform(image=image)transformed_image = transformiert["Bild"]

    Erste Schritte

    Ich bin neu in der Bildvergrößerung

    Bitte beginnen Sie mit den Einführungsartikeln darüber, warum Bildvergrößerung wichtig ist und wie sie dabei hilft, bessere Modelle zu erstellen.

    Ich möchte Albumentations für eine bestimmte Aufgabe wie Klassifizierung oder Segmentierung verwenden

    Wenn Sie Albumentations für eine bestimmte Aufgabe wie Klassifizierung, Segmentierung oder Objekterkennung verwenden möchten, lesen Sie die Artikel, die eine ausführliche Beschreibung dieser Aufgabe enthalten. Wir haben auch eine Liste mit Beispielen für die Anwendung von Albumentations für verschiedene Anwendungsfälle.

    Ich möchte wissen, wie man Albumentations mit Deep-Learning-Frameworks verwendet

    Wir haben Beispiele für die Verwendung von Albumentations zusammen mit PyTorch und TensorFlow.

    Ich möchte Augmentationen erkunden und Albumentations in Aktion sehen

    Schauen Sie sich die Online-Demo der Bibliothek an. Damit können Sie Erweiterungen auf verschiedene Bilder anwenden und das Ergebnis sehen. Außerdem haben wir eine Liste aller verfügbaren Erweiterungen und ihrer Ziele.

    Wer verwendet Albumentations?


    Siehe auch

    • Eine Liste von Artikeln, die Albumentations zitieren.

    • Open-Source-Projekte, die Albumentations verwenden.

    Liste der Erweiterungen

    Transformationen auf Pixelebene

    Transformationen auf Pixelebene ändern nur ein Eingabebild und lassen alle zusätzlichen Ziele wie Masken, Begrenzungsrahmen und Schlüsselpunkte unverändert. Die Liste der Transformationen auf Pixelebene:

    • AdditiveNoise

    • AdvancedBlur

    • AutoKontrast

    • Verwischen

    • CLAHE

    • ChannelDropout

    • ChannelShuffle

    • Chromatische Aberration

    • Farbjitter

    • Defokussieren

    • Herunterskalieren

    • Prägen

    • Ausgleichen

    • FDA

    • FancyPCA

    • VonFloat

    • GaussNoise

    • Gaußsche Unschärfe

    • GlassBlur

    • HistogramMatching

    • HueSaturationValue

    • ISONoise

    • Beleuchtung

    • Bildkomprimierung

    • InvertImg

    • MedianBlur

    • Bewegungsunschärfe

    • Multiplikatives Rauschen

    • Normalisieren

    • PixelDistributionAdaptation

    • Planckscher Jitter

    • PlasmaHelligkeitKontrast

    • PlasmaShadow

    • Posterisieren

    • RGBShift

    • RandomBrightnessContrast

    • RandomFog

    • RandomGamma

    • RandomGravel

    • Zufälliger Regen

    • RandomShadow

    • RandomSnow

    • RandomSunFlare

    • RandomToneCurve

    • KlingelnÜberschreitung

    • Salz und Pfeffer

    • Schärfen

    • Schussgeräusch

    • Solarisieren

    • Spritzer

    • Superpixel

    • TemplateTransform

    • TextImage

    • ToFloat

    • ToGray

    • ToRGB

    • ZuSepia

    • UnscharfMask

    • ZoomBlur

    Transformationen auf räumlicher Ebene

    Transformationen auf räumlicher Ebene verändern gleichzeitig sowohl ein Eingabebild als auch zusätzliche Ziele wie Masken, Begrenzungsrahmen und Schlüsselpunkte. Die folgende Tabelle zeigt, welche zusätzlichen Ziele von jeder Transformation unterstützt werden.

    Verwandeln Bild Maske BBoxen Kernpunkte
    Affin ✓ ✓ ✓ ✓
    BBoxSafeRandomCrop ✓ ✓ ✓ ✓
    CenterCrop ✓ ✓ ✓ ✓
    CoarseDropout ✓ ✓ ✓ ✓
    Ernte ✓ ✓ ✓ ✓
    CropAndPad ✓ ✓ ✓ ✓
    CropNonEmptyMaskIfExists ✓ ✓ ✓ ✓
    D4 ✓ ✓ ✓ ✓
    ElasticTransform ✓ ✓ ✓ ✓
    Löschen ✓ ✓ ✓ ✓
    Frequenzmaskierung ✓ ✓ ✓ ✓
    Gitterverzerrung ✓ ✓ ✓ ✓
    GridDropout ✓ ✓ ✓ ✓
    GridElasticDeform ✓ ✓ ✓ ✓
    HorizontalFlip ✓ ✓ ✓ ✓
    Lambda ✓ ✓ ✓ ✓
    LongestMaxSize ✓ ✓ ✓ ✓
    MaskDropout ✓ ✓ ✓ ✓
    Morphologisch ✓ ✓ ✓ ✓
    NoOp ✓ ✓ ✓ ✓
    Optische Verzerrung ✓ ✓ ✓ ✓
    OverlayElements ✓ ✓

    Unterlage ✓ ✓ ✓ ✓
    PadIfNeeded ✓ ✓ ✓ ✓
    Perspektive ✓ ✓ ✓ ✓
    StückweiseAffin ✓ ✓ ✓ ✓
    PixelDropout ✓ ✓ ✓ ✓
    RandomCrop ✓ ✓ ✓ ✓
    RandomCropFromBorders ✓ ✓ ✓ ✓
    RandomCropNearBBox ✓ ✓ ✓ ✓
    RandomGridShuffle ✓ ✓ ✓ ✓
    RandomResizedCrop ✓ ✓ ✓ ✓
    RandomRotate90 ✓ ✓ ✓ ✓
    RandomScale ✓ ✓ ✓ ✓
    RandomSizedBBoxSafeCrop ✓ ✓ ✓ ✓
    RandomSizedCrop ✓ ✓ ✓ ✓
    Größe ändern ✓ ✓ ✓ ✓
    Drehen ✓ ✓ ✓ ✓
    SafeRotate ✓ ✓ ✓ ✓
    ShiftScaleRotate ✓ ✓ ✓ ✓
    SmallestMaxSize ✓ ✓ ✓ ✓
    ThinPlateSpline ✓ ✓ ✓ ✓
    Zeitmaskierung ✓ ✓ ✓ ✓
    TimeReverse ✓ ✓ ✓ ✓
    Transponieren ✓ ✓ ✓ ✓
    VerticalFlip ✓ ✓ ✓ ✓
    XYMaskierung ✓ ✓ ✓ ✓

    Noch ein paar Beispiele für Erweiterungen

    Semantische Segmentierung im Inria-Datensatz

    Medizinische Bildgebung

    Objekterkennung und semantische Segmentierung im Mapillary Vistas-Datensatz

    Erweiterung der Schlüsselpunkte

    Benchmarking-Ergebnisse

    Systeminformationen

    • Plattform: macOS-15.0.1-arm64-arm-64bit

    • Prozessor: arm

    • CPU-Anzahl: 10

    • Python-Version: 3.12.7

    Benchmark-Parameter

    • Anzahl der Bilder: 1000

    • Läufe pro Transformation: 10

    • Maximale Aufwärmiterationen: 1000

    Bibliotheksversionen

    • Albumationen: 1.4.20

    • hässlich: 1.0.0

    • Bild: 0.4.0

    • Kornia: 0,7,3

    • Fackelsicht: 0.20.0

    Leistungsvergleich

    Anzahl – ist die Anzahl der pro Sekunde auf einem einzelnen CPU-Kern verarbeiteten uint8-RGB-Bilder. Höher ist besser.

    Verwandeln Albumentationen
    1.4.20    		 schrecklich
    1.0.0    		 imgaug
    0,4,0    		 Kornia
    0.7.3    		 Fackelvision
    0,20,0
    HorizontalFlip 8618 ± 1233 4807 ± 818 6042 ± 788 390 ± 106 914 ± 67
    VerticalFlip 22847 ± 2031 9153 ± 1291 10931 ± 1844 1212 ± 402 3198 ± 200
    Drehen 1146 ± 79 1119 ± 41 1136 ± 218 143 ± 11 181 ± 11
    Affin 682 ± 192 - 774 ± 97 147 ± 9 130 ± 12
    Ausgleichen 892 ± 61 - 581 ± 54 152 ± 19 479 ± 12
    RandomCrop80 47341 ± 20523 25272 ± 1822 11503 ± 441 1510 ± 230 32109 ± 1241
    ShiftRGB 2349 ± 76 - 1582 ± 65 - -
    Größe ändern 2316 ± 166 611 ± 78 1806 ± 63 232 ± 24 195 ± 4
    RandomGamma 8675 ± 274 - 2318 ± 269 108 ± 13 -
    Graustufen 3056 ± 47 2720 ​​± 932 1681 ± 156 289 ± 75 1838 ± 130
    Zufällige Perspektive 412 ± 38 - 554 ± 22 86 ± 11 96 ± 5
    Gaußsche Unschärfe 1728 ± 89 242 ± 4 1090 ± 65 176 ± 18 79 ± 3
    MedianBlur 868 ± 60 - 813 ± 30 5 ± 0 -
    Bewegungsunschärfe 4047 ± 67 - 612 ± 18 73 ± 2 -
    Posterisieren 9094 ± 301 - 2097 ± 68 430 ± 49 3196 ± 185
    JPEG-Komprimierung 918 ± 23 778 ± 5 459 ± 35 71 ± 3 625 ± 17
    Gaußsches Rauschen 166 ± 12 67 ± 2 206 ± 11 75 ± 1 -
    Elastisch 201 ± 5 - 235 ± 20 1 ± 0 2 ± 0
    Clahe 454 ± 22 - 335 ± 43 94 ± 9 -
    CoarseDropout 13368 ± 744 - 671 ± 38 536 ± 87 -
    Verwischen 5267 ± 543 246 ± 3 3807 ± 325 - -
    Farbjitter 628 ± 55 255 ± 13 - 55 ± 18 46 ± 2
    Helligkeit 8956 ± 300 1163 ± 86 - 472 ± 101 429 ± 20
    Kontrast 8879 ± 1426 736 ± 79 - 425 ± 52 335 ± 35
    RandomResizedCrop 2828 ± 186 - - 287 ± 58 511 ± 10
    Normalisieren 1196 ± 56 - - 626 ± 40 519 ± 12
    PlankianJitter 2204 ± 385 - - 813 ± 211 -

    Mitwirken

    Um eine Pull-Anfrage an das Repository zu erstellen, folgen Sie der Dokumentation unter CONTRIBUTING.md

    Gemeinschaft

    • LinkedIn

    • Twitter

    • Zwietracht

    Zitieren

    Wenn Sie diese Bibliothek für Ihre Recherche nützlich finden, ziehen Sie bitte die Zitierung von Albumentations: Fast and Flexible Image Augmentations in Betracht:

     @Article{info11020125,AUTHOR = {Buslaev, Alexander und Iglovikov, Vladimir I. und Khvedchenya, Eugene und Parinov, Alex und Druzhinin, Mikhail und Kalinin, Alexandr A.},TITLE = {Albumentations: Schnelle und flexible Bilderweiterungen},JOURNAL = {Information},VOLUME = {11},YEAR = {2020},NUMBER = {2},ARTICLE-NUMBER = {125},URL = {https://www.mdpi.com/2078-2489/11/2/125},ISSN = {2078-2489},DOI = {10.3390/info11020125 }}
    Expandieren
    Zusätzliche Informationen
    Ähnliche Anwendungen
    Empfohlen für Sie
    Ähnliche Nachrichten Alle