Beranda>Terkait pemrograman>ular piton
Unduh

Albumentasi


Dokumen | Perselisihan | Twitter | LinkedIn

Albumentations adalah perpustakaan Python untuk augmentasi gambar. Augmentasi gambar digunakan dalam pembelajaran mendalam dan tugas visi komputer untuk meningkatkan kualitas model yang dilatih. Tujuan dari augmentasi gambar adalah untuk membuat sampel pelatihan baru dari data yang sudah ada.

Berikut adalah contoh bagaimana Anda dapat menerapkan beberapa augmentasi tingkat piksel dari Albumentations untuk membuat gambar baru dari gambar asli:

Mengapa Albumentasi

  • Dukungan Computer Vision Lengkap : Bekerja dengan semua tugas utama CV termasuk klasifikasi, segmentasi (semantik & instance), deteksi objek, dan estimasi pose.

  • API Terpadu yang Sederhana : Satu antarmuka yang konsisten untuk semua tipe data - gambar RGB/skala abu-abu/multispektral, masker, kotak pembatas, dan titik kunci.

  • Perpustakaan Augmentasi yang Kaya : 70+ augmentasi berkualitas tinggi untuk menyempurnakan data pelatihan Anda.

  • Cepat : Secara konsisten diukur sebagai perpustakaan augmentasi tercepat, dengan optimalisasi untuk penggunaan produksi.

  • Integrasi Pembelajaran Mendalam : Bekerja dengan PyTorch, TensorFlow, dan kerangka kerja lainnya. Bagian dari ekosistem PyTorch.

  • Dibuat oleh Para Ahli : Dibangun oleh pengembang dengan pengalaman mendalam dalam kompetisi visi komputer dan pembelajaran mesin.

Proyek Berbasis Komunitas, Didukung Oleh

Albumentasi berkembang pesat berkat kontribusi pengembang. Kami menghargai sponsor kami yang membantu mempertahankan infrastruktur proyek.

? Sponsor Emas
Perusahaan Anda mungkin ada di sini
? Sponsor Perak

? Sponsor Perunggu

? Menjadi Sponsor

Sponsor Anda adalah cara untuk mengucapkan "terima kasih" kepada pengelola dan kontributor yang menghabiskan waktu luang mereka untuk membangun dan memelihara Albumentasi. Sponsor ditampilkan di situs web kami dan README. Lihat tingkatan sponsorship di GitHub Sponsor

Daftar isi

  • Albumentasi

    • Sistem Informasi

    • Parameter Tolok Ukur

    • Versi Perpustakaan

    • Segmentasi semantik pada dataset Inria

    • Pencitraan medis

    • Deteksi objek dan segmentasi semantik pada dataset Mapillary Vistas

    • Augmentasi titik kunci

    • Transformasi tingkat piksel

    • Transformasi tingkat spasial

    • Lihat juga

    • Saya baru mengenal augmentasi gambar

    • Saya ingin menggunakan Albumentasi untuk tugas tertentu seperti klasifikasi atau segmentasi

    • Saya ingin tahu cara menggunakan Albumentations dengan kerangka pembelajaran mendalam

    • Saya ingin menjelajahi augmentasi dan melihat aksi Albumentasi

    • Pemelihara Saat Ini

    • Anggota Tim Inti Emeritus

    • ? Menjadi Sponsor

    • Mengapa Albumentasi

    • Proyek Berbasis Komunitas, Didukung Oleh

    • Daftar isi

    • Penulis

    • Instalasi

    • Dokumentasi

    • Sebuah contoh sederhana

    • Memulai

    • Siapa yang menggunakan Albumentasi

    • Daftar augmentasi

    • Beberapa contoh augmentasi lagi

    • Hasil pembandingan

    • Perbandingan Kinerja

    • Berkontribusi

    • Masyarakat

    • Mengutip

    Penulis

    Pemelihara Saat Ini

    Vladimir I.Iglovikov | Guru Besar Kaggle

    Anggota Tim Inti Emeritus

    Mikhail Druzhinin | Pakar Kaggle

    Alex Parinov | Tuan Kaggle

    Alexander Buslaev | Tuan Kaggle

    Eugene Khvedchenya | Guru Besar Kaggle

    Instalasi

    Albumentasi memerlukan Python 3.9 atau lebih tinggi. Untuk menginstal versi terbaru dari PyPI:

     pip install -U albumentasi

    Opsi instalasi lainnya dijelaskan dalam dokumentasi.

    Dokumentasi

    Dokumentasi lengkap tersedia di https://albumentations.ai/docs/ .

    Sebuah contoh sederhana

     impor albumentasi sebagai Aimport cv2# Deklarasikan pipeline augmentasitransform = A.Compose([A.RandomCrop(width=256, height=256),A.HorizontalFlip(p=0.5),A.RandomBrightnessContrast(p=0.2),
])# Membaca gambar dengan OpenCV dan mengubahnya menjadi ruang warna RGBimage = cv2.imread("image.jpg")image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# Menambah imagetransformed = transform(image=image)transformed_image = berubah["gambar"]

    Memulai

    Saya baru mengenal augmentasi gambar

    Silakan mulai dengan artikel pendahuluan tentang mengapa augmentasi gambar itu penting dan bagaimana hal itu membantu membangun model yang lebih baik.

    Saya ingin menggunakan Albumentasi untuk tugas tertentu seperti klasifikasi atau segmentasi

    Jika Anda ingin menggunakan Albumentasi untuk tugas tertentu seperti klasifikasi, segmentasi, atau deteksi objek, lihat kumpulan artikel yang memiliki penjelasan mendalam tentang tugas ini. Kami juga memiliki daftar contoh penerapan Albumentasi untuk berbagai kasus penggunaan.

    Saya ingin tahu cara menggunakan Albumentations dengan kerangka pembelajaran mendalam

    Kami memiliki contoh penggunaan Albumentations bersama dengan PyTorch dan TensorFlow.

    Saya ingin menjelajahi augmentasi dan melihat aksi Albumentasi

    Periksa demo online perpustakaan. Dengannya, Anda dapat menerapkan augmentasi ke berbagai gambar dan melihat hasilnya. Selain itu, kami memiliki daftar semua augmentasi yang tersedia dan targetnya.

    Siapa yang menggunakan Albumentasi


    Lihat juga

    • Daftar makalah yang mengutip Albumentasi.

    • Proyek sumber terbuka yang menggunakan Albumentations.

    Daftar augmentasi

    Transformasi tingkat piksel

    Transformasi tingkat piksel hanya akan mengubah gambar masukan dan tidak mengubah target tambahan seperti masker, kotak pembatas, dan titik kunci. Daftar transformasi tingkat piksel:

    • Kebisingan Aditif

    • Kabur Tingkat Lanjut

    • Kontras Otomatis

    • Mengaburkan

    • CLAHE

    • Putusnya Saluran

    • Acak Saluran

    • Penyimpangan Kromatik

    • Warna Jitter

    • Tidak fokus

    • Turunkan skala

    • Menatah

    • Menyamakan

    • FDA

    • PCA Mewah

    • DariFloat

    • Gauss Kebisingan

    • GaussianBlur

    • KacaKabur

    • Pencocokan Histogram

    • Nilai HueSaturation

    • ISONoise

    • Penerangan

    • Kompresi Gambar

    • BalikkanImg

    • MedianBlur

    • GerakanBlur

    • Kebisingan Multiplikatif

    • Normalisasi

    • Adaptasi Distribusi Piksel

    • Planckian Jitter

    • Kontras Kecerahan Plasma

    • Bayangan Plasma

    • Posterisasi

    • Pergeseran RGB

    • Kontras Kecerahan Acak

    • Kabut Acak

    • Gamma Acak

    • Kerikil Acak

    • Hujan Acak

    • Bayangan Acak

    • Salju Acak

    • AcakSunFlare

    • Kurva Nada Acak

    • DeringOvershoot

    • Garam dan merica

    • Mengasah

    • Tembakan Kebisingan

    • Solarisasi

    • Berhamburan

    • Superpiksel

    • Transformasi Templat

    • Gambar Teks

    • Untuk Mengambang

    • UntukAbu-abu

    • UntukRGB

    • Ke Sepia

    • Masker Tidak Tajam

    • ZoomBlur

    Transformasi tingkat spasial

    Transformasi tingkat spasial akan secara bersamaan mengubah gambar masukan serta target tambahan seperti masker, kotak pembatas, dan titik kunci. Tabel berikut menunjukkan target tambahan mana yang didukung oleh setiap transformasi.

    Mengubah Gambar Masker Kotak B Poin-poin penting
    Affine ✓ ✓ ✓ ✓
    BBoxSafeRandomCrop ✓ ✓ ✓ ✓
    Pangkas Tengah ✓ ✓ ✓ ✓
    Putus Sekolah Kasar ✓ ✓ ✓ ✓
    Tanaman ✓ ✓ ✓ ✓
    PangkasDanPad ✓ ✓ ✓ ✓
    CropNonEmptyMaskIfExists ✓ ✓ ✓ ✓
    D4 ✓ ✓ ✓ ✓
    Transformasi Elastis ✓ ✓ ✓ ✓
    Menghapus ✓ ✓ ✓ ✓
    FrekuensiMaking ✓ ✓ ✓ ✓
    Distorsi Grid ✓ ✓ ✓ ✓
    Putusnya Jaringan ✓ ✓ ✓ ✓
    GridElasticDeform ✓ ✓ ✓ ✓
    Balik Horisontal ✓ ✓ ✓ ✓
    Lambda ✓ ✓ ✓ ✓
    Ukuran Maksimal Terpanjang ✓ ✓ ✓ ✓
    Topeng Putus Sekolah ✓ ✓ ✓ ✓
    Morfologis ✓ ✓ ✓ ✓
    Tidak ada operasi ✓ ✓ ✓ ✓
    Distorsi Optik ✓ ✓ ✓ ✓
    Elemen Hamparan ✓ ✓

    Bantalan ✓ ✓ ✓ ✓
    PadJika Diperlukan ✓ ✓ ✓ ✓
    Perspektif ✓ ✓ ✓ ✓
    Sedikit demi sedikitAffine ✓ ✓ ✓ ✓
    Putus Piksel ✓ ✓ ✓ ✓
    Pangkas Acak ✓ ✓ ✓ ✓
    RandomCropFromBorders ✓ ✓ ✓ ✓
    Pangkas Acak Dekat BBox ✓ ✓ ✓ ✓
    RandomGridShuffle ✓ ✓ ✓ ✓
    Pangkas yang Diubah Ukurannya secara Acak ✓ ✓ ✓ ✓
    Putar Acak90 ✓ ✓ ✓ ✓
    Skala Acak ✓ ✓ ✓ ✓
    Berukuran AcakBBoxSafeCrop ✓ ✓ ✓ ✓
    Pangkas Berukuran Acak ✓ ✓ ✓ ✓
    Ubah ukuran ✓ ✓ ✓ ✓
    Memutar ✓ ✓ ✓ ✓
    Putar Aman ✓ ✓ ✓ ✓
    ShiftScaleRotate ✓ ✓ ✓ ✓
    Ukuran Maksimum Terkecil ✓ ✓ ✓ ✓
    Spline Pelat Tipis ✓ ✓ ✓ ✓
    Penyembunyian Waktu ✓ ✓ ✓ ✓
    Waktu Terbalik ✓ ✓ ✓ ✓
    Mengubah urutan ✓ ✓ ✓ ✓
    Balik Vertikal ✓ ✓ ✓ ✓
    XYMasking ✓ ✓ ✓ ✓

    Beberapa contoh augmentasi lagi

    Segmentasi semantik pada dataset Inria

    Pencitraan medis

    Deteksi objek dan segmentasi semantik pada dataset Mapillary Vistas

    Augmentasi titik kunci

    Hasil pembandingan

    Sistem Informasi

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

    • Prosesor: lengan

    • Jumlah CPU: 10

    • Versi Python: 3.12.7

    Parameter Tolok Ukur

    • Jumlah gambar: 1000

    • Berjalan per transformasi: 10

    • Iterasi pemanasan maksimal: 1000

    Versi Perpustakaan

    • albumentasi: 1.4.20

    • Agustus: 1.0.0

    • gambar: 0.4.0

    • kornia: 0.7.3

    • penglihatan obor: 0.20.0

    Perbandingan Kinerja

    Angka - adalah jumlah gambar uint8 RGB yang diproses per detik pada satu inti CPU. Lebih tinggi lebih baik.

    Mengubah albumentasi
    1.4.20    		 Agustus
    1.0.0    		 gambar
    0.4.0    		 kornia
    0.7.3    		 visi obor
    0.20.0
    Balik Horisontal 8618 ± 1233 4807±818 6042±788 390 ± 106 914 ± 67
    Balik Vertikal 22847 ± 2031 9153 ± 1291 10931 ± 1844 1212±402 3198±200
    Memutar 1146±79 1119 ± 41 1136 ± 218 143 ± 11 181 ± 11
    Affine 682 ± 192 - 774 ± 97 147 ± 9 130 ± 12
    Menyamakan 892 ± 61 - 581±54 152 ± 19 479 ± 12
    Pangkas Acak80 47341±20523 25272 ± 1822 11503±441 1510±230 32109 ± 1241
    PergeseranRGB 2349±76 - 1582±65 - -
    Ubah ukuran 2316±166 611±78 1806±63 232 ± 24 195 ± 4
    Gamma Acak 8675±274 - 2318 ± 269 108 ± 13 -
    Skala abu-abu 3056±47 2720±932 1681±156 289±75 1838±130
    Perspektif Acak 412 ± 38 - 554 ± 22 86 ± 11 96 ± 5
    GaussianBlur 1728±89 242 ± 4 1090 ± 65 176 ± 18 79 ± 3
    MedianBlur 868±60 - 813±30 5 ± 0 -
    GerakanBlur 4047 ± 67 - 612±18 73 ± 2 -
    Posterisasi 9094 ± 301 - 2097 ± 68 430 ± 49 3196±185
    Kompresi JPEG 918±23 778±5 459±35 71 ± 3 625±17
    Kebisingan Gaussian 166 ± 12 67 ± 2 206±11 75±1 -
    Elastis 201±5 - 235±20 1 ± 0 2 ± 0
    Bentrok 454 ± 22 - 335 ± 43 94 ± 9 -
    Putus Sekolah Kasar 13368±744 - 671±38 536±87 -
    Mengaburkan 5267±543 246±3 3807±325 - -
    Warna Jitter 628±55 255±13 - 55 ± 18 46 ± 2
    Kecerahan 8956±300 1163±86 - 472 ± 101 429 ± 20
    Kontras 8879 ± 1426 736±79 - 425±52 335 ± 35
    Pangkas yang Diubah Ukurannya secara Acak 2828±186 - - 287±58 511 ± 10
    Normalisasi 1196±56 - - 626±40 519 ± 12
    Plankian Jitter 2204±385 - - 813 ± 211 -

    Berkontribusi

    Untuk membuat pull request ke repositori, ikuti dokumentasi di CONTRIBUTING.md

    Masyarakat

    • LinkedIn

    • Twitter

    • Perselisihan

    Mengutip

    Jika Anda merasa perpustakaan ini berguna untuk penelitian Anda, mohon pertimbangkan untuk mengutip Albumentasi: Augmentasi Gambar yang Cepat dan Fleksibel :

     @Article{info11020125,AUTHOR = {Buslaev, Alexander dan Iglovikov, Vladimir I. dan Khvedchenya, Eugene dan Parinov, Alex dan Druzhinin, Mikhail dan Kalinin, Alexandr A.},TITLE = {Albumentasi: Augmentasi Gambar yang Cepat dan Fleksibel},JOURNAL = {Informasi},VOLUME = {11},TAHUN = {2020},NUMBER = {2}, NOMOR PASAL = {125}, URL = {https://www.mdpi.com/2078-2489/11/2/125}, ISSN = {2078-2489}, DOI = {10.3390/info11020125 }}
    Memperluas
    Informasi Tambahan
    Aplikasi Terkait
    Direkomendasikan untuk Anda
    Informasi Terkait Semua