معرفی شرکت ها
atomvision-2023.1.27
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
atomvision
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | atomvision-2023.1.27 |
| نام | atomvision |
| نسخه کتابخانه | 2023.1.27 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Kamal Choudhary, Brian DeCost |
| ایمیل نویسنده | kamal.choudhary@nist.gov |
| آدرس صفحه اصلی | https://github.com/usnistgov/atomvision |
| آدرس اینترنتی | https://pypi.org/project/atomvision/ |
| مجوز | - |
[](https://colab.research.google.com/github/knc6/jarvis-tools-notebooks/blob/master/jarvis-tools-notebooks/AtomVisionExample.ipynb)
[](https://codecov.io/gh/usnistgov/atomvision)
[](https://badge.fury.io/py/atomvision)
[](https://pepy.tech/project/atomvision)
# Atomvision
# Table of Contents
* [Introduction](#intro)
* [Installation](#install)
* [Examples](#example)
* [Reference](#reference)
* [How to contribute](#contrib)
* [Correspondence](#corres)
* [Funding support](#fund)
<a name="intro"></a>
Introduction
-------------------------
Atomvision is a deep learning framework for atomistic image data.
<p align="center">
<img src="https://github.com/usnistgov/atomvision/blob/develop/atomvision/AVFigure.PNG" alt="AtomVision" width="600"/>
</p>
<a name="install"></a>
Installation
-------------------------
First create a conda environment:
Install miniconda environment from https://conda.io/miniconda.html
Based on your system requirements, you'll get a file something like 'Miniconda3-latest-XYZ'.
Now,
```
bash Miniconda3-latest-Linux-x86_64.sh (for linux)
bash Miniconda3-latest-MacOSX-x86_64.sh (for Mac)
```
Download 32/64 bit python 3.6 miniconda exe and install (for windows)
Now, let's make a conda environment, say "version", choose other name as you like::
```
conda create --name vision python=3.8
source activate vision
```
Now, let's install the package:
#### Method 1 (using setup.py):
```
git clone https://github.com/usnistgov/atomvision.git
cd atomvision
python setup.py develop
```
#### Method 2 (using pypi):
As an alternate method, AtomVision can also be installed using `pip` command as follows:
```
pip install atomvision
```
<a name="example"></a>
Examples
---------
#### Generating STEM image with convolution approximation: graphene example
```
stem_conv.py --file_path atomvision/tests/POSCAR --output_path STEM.png
```
#### 2D-Bravais lattice classification example
This example shows how to classify 2D-lattice (5 Bravais classes) for 2D-materials STM/STEM images.
We will use images``sample_data`` folder. It was generated with ``generate_stem.py`` script. There are two folders ``train_folder``, ``test_folder`` with sub-folders ``0,1,2,3,4,...`` for individual classes and they contain images for these classes.
```
train_classifier_cnn.py --model densenet --train_folder atomvision/sample_data/test_folder --test_folder atomvision/sample_data/test_folder --epochs 5 --batch_size 16
```
#### Generating a t-SNE plot
```
train_tsne.py --data_dir atomvision/sample_data/test_folder
```
#### Generative Adversarial Network
```
train_gan.py --dataset_path atomvision/sample_data/test_folder/0 --epochs 2
```
#### Autoencoder
```
train_autoencoder.py --train_folder atomvision/sample_data/test_folder --test_folder atomvision/sample_data/test_folder --epochs 10
```
<a name="reference"></a>
Reference
---------
1) [AtomVision: A machine vision library for atomistic images](https://arxiv.org/abs/2212.02586)
2) [The joint automated repository for various integrated simulations (JARVIS) for data-driven materials design](https://www.nature.com/articles/s41524-020-00440-1)
3) [Computational scanning tunneling microscope image database](https://www.nature.com/articles/s41597-021-00824-y)
Please see detailed publications list [here](https://jarvis-tools.readthedocs.io/en/master/publications.html).
<a name="contrib"></a>
How to contribute
-----------------
For detailed instructions, please see [Contribution instructions](https://github.com/usnistgov/jarvis/blob/master/Contribution.rst)
<a name="corres"></a>
Correspondence
--------------------
Please report bugs as Github issues (https://github.com/usnistgov/atomvision/issues) or email to kamal.choudhary@nist.gov.
<a name="fund"></a>
Funding support
--------------------
NIST-MGI (https://www.nist.gov/mgi).
Code of conduct
--------------------
Please see [Code of conduct](https://github.com/usnistgov/jarvis/blob/master/CODE_OF_CONDUCT.md)
نیازمندی
| مقدار | نام |
|---|---|
| >=1.19.5 | numpy |
| >=1.6.3 | scipy |
| >=2021.07.19 | jarvis-tools |
| >=2022.10.23 | alignn |
| >=4.11.1 | beautifulsoup4 |
| >=0.19.3 | scikit-image |
| ==1.12.0 | torch |
| ==2.2.1 | pyparsing |
| >=4.6.0.66 | opencv-python |
| - | typer |
| - | python-dotenv |
| >=0.2.1 | segmentation-models-pytorch |
| >=9.2.0 | Pillow |
| ==0.13.0 | torchvision |
| >=0.24.1 | scikit-learn |
| >=3.4.1 | matplotlib |
| >=0.11.2 | seaborn |
| >=4.60.0 | tqdm |
| ==1.2.4 | pandas |
| ==0.5.0.dev20221024 | pytorch-ignite |
| >=1.8.1 | pydantic |
| >=3.9.1 | flake8 |
| >=2.7.0 | pycodestyle |
| >=6.0.0 | pydocstyle |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl atomvision-2023.1.27:
pip install atomvision-2023.1.27.whl
نصب پکیج tar.gz atomvision-2023.1.27:
pip install atomvision-2023.1.27.tar.gz