معرفی شرکت ها
autoalbument-0.4.0
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
AutoML for image augmentation
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | autoalbument-0.4.0 |
| نام | autoalbument |
| نسخه کتابخانه | 0.4.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Alex Parinov, Vladimir Iglovikov, Eugene Khvedchenya, Druzhinin Mikhail, Buslaev Alexander |
| ایمیل نویسنده | - |
| آدرس صفحه اصلی | https://github.com/albumentations-team/autoalbument |
| آدرس اینترنتی | https://pypi.org/project/autoalbument/ |
| مجوز | MIT |
# AutoAlbument
AutoAlbument is an AutoML tool that learns image augmentation policies from data using the [Faster AutoAugment algorithm](https://arxiv.org/abs/1911.06987). It relieves the user from the burden of manually selecting augmentations and tuning their parameters. AutoAlbument provides a complete ready-to-use configuration for an augmentation pipeline.
The library supports image classification and semantic segmentation tasks. You can use [Albumentations](https://github.com/albumentations-team/albumentations) to utilize policies discovered by AutoAlbument in your computer vision pipelines.
The documentation is available at [https://albumentations.ai/docs/autoalbument/](https://albumentations.ai/docs/autoalbument/)
## Benchmarks
Here is a comparison between a baseline augmentation strategy and an augmentation policy discovered by AutoAlbument
for different classification and semantic segmentation tasks. You can read more about these benchmarks in the [autoalbument-benchmarks](https://github.com/albumentations-team/autoalbument-benchmarks) repository.
### Classification
| Dataset | Baseline Top-1 Accuracy | AutoAlbument Top-1 Accuracy |
|----------|:-----------------------:|:----------------------------:|
| [CIFAR10](https://github.com/albumentations-team/autoalbument-benchmarks#cifar-10-classification) | 91.79 | **96.02** |
| [SVHN](https://github.com/albumentations-team/autoalbument-benchmarks#svhn-classification) | 98.31 | **98.48** |
| [ImageNet](https://github.com/albumentations-team/autoalbument-benchmarks#imagenet-classification) | 73.27 | **75.17** |
### Semantic segmentation
| Dataset | Baseline mIOU | AutoAlbument mIOU |
|------------|:-------------:|:-----------------:|
| [Pascal VOC](https://github.com/albumentations-team/autoalbument-benchmarks#pascal-voc-semantic-segmentation) | 73.34 | **75.55** |
| [Cityscapes](https://github.com/albumentations-team/autoalbument-benchmarks#cityscapes) | 79.47 | **79.92** |
## Installation
AutoAlbument requires Python 3.6 or higher. To install the latest stable version from PyPI:
`pip install -U autoalbument`
## How to use AutoAlbument
1. You need to create a configuration file with AutoAlbument parameters and a Python file that implements a custom PyTorch Dataset for your data. Next, you need to pass those files to AutoAlbument.
2. AutoAlbument will use Generative Adversarial Network to discover augmentation policies and then create a file containing those policies.
3. Finally, you can use [Albumentations](https://github.com/albumentations-team/albumentations) to load augmentation policies from the file and utilize them in your computer vision pipelines.
You can read the detailed description of all steps at [https://albumentations.ai/docs/autoalbument/how_to_use/](https://albumentations.ai/docs/autoalbument/how_to_use/)
## Examples
The [`examples`](https://github.com/albumentations-team/autoalbument/tree/master/examples) directory contains example configs for different tasks and datasets:
### Classification
- [CIFAR10](https://github.com/albumentations-team/autoalbument/tree/master/examples/cifar10)
- [SVHN](https://github.com/albumentations-team/autoalbument/tree/master/examples/svhn)
- [ImageNet](https://github.com/albumentations-team/autoalbument/tree/master/examples/imagenet)
### Semantic segmentation
- [Pascal VOC](https://github.com/albumentations-team/autoalbument/tree/master/examples/pascal_voc)
- [Cityscapes](https://github.com/albumentations-team/autoalbument/tree/master/examples/cityscapes)
To run the search with an example config:
```
autoalbument-search --config-dir </path/to/directory_with_dataset.py_and_search.yaml>
```
نیازمندی
| مقدار | نام |
|---|---|
| >=0.5.1 | albumentations |
| <1.2,>=1.1.8 | pytorch-lightning |
| >=1.6.0 | torch |
| >=1.0 | hydra-core |
| ==0.3.2 | timm |
| >=0.1.3 | segmentation-models-pytorch |
| - | tqdm |
| - | click |
| - | colorama |
| - | tensorboard |
| - | ruamel.yaml |
| - | pytest |
نحوه نصب
نصب پکیج whl autoalbument-0.4.0:
pip install autoalbument-0.4.0.whl
نصب پکیج tar.gz autoalbument-0.4.0:
pip install autoalbument-0.4.0.tar.gz