معرفی شرکت ها

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 بیشتر

توضیحات

Data preprocessing & augmentation framework, designed for working with crowd counting datasets and ML/DL framework-independent. Supports multitude of simple as well as advanced transformations, outputs and loaders, all of them to be combined using pipelines.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ccaugmentation-0.1.0
نام	ccaugmentation
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Piotr Juszczyk
ایمیل نویسنده	piotr.a.juszczyk@gmail.com
آدرس صفحه اصلی	https://github.com/pijuszczyk/CCAugmentation
آدرس اینترنتی	https://pypi.org/project/ccaugmentation/
مجوز	MIT

# CCAugmentation Data preprocessing and augmentation framework that is designed for working with crowd counting datasets. It supports multitude of simple as well as advanced transformations and is based on pipelines which allow a flexible flow of data between loaders, transformations and outputs. Deep learning framework-independent, though works best with PyTorch. ## Current capabilities Each data preprocessing procedure is defined in form of a pipeline that consists of a data loader and a list of operations to sequentially execute on the data. Each of the operations may be of the following types: - **Transformation** - Returns transformed data on output, does not have side effects - **Output** - Returns unmodified data on output, has side effects that, for example, write data to files - **Operation** - Performs any other functions, not qualifying for any of the aforementioned types Available transformations are: - **Crop** - **Scale** - **Downscale** - **Rotate** - **StandardizeSize** - **Normalize** - **NormalizeDensityMap** - **FlipLR** - **ToGrayscale** - **LambdaTransformation** - **Cutout** Available outputs are: - **Demonstrate** - **SaveImagesToFiles** - **SaveImagesToBinaryFile** - **SaveDensityMapsToCSVFiles** - **SaveDensityMapsToBinaryFile** Available operations are: - **Duplicate** - **Dropout** - **RandomArgs** - **OptimizeBatch** Available loaders are: - **BasicImageFileLoader** - **ImageFileLoader** - **BasicGTPointsMatFileLoader** - **GTPointsMatFileLoader** - **BasicDensityMapCSVFileLoader** - **DensityMapCSVFileLoader** - **VariableLoader** - **ConcatenatingLoader** - **CombinedLoader** For more information about the specific topics, please refer to the related comments in the code. ## How to use Loading the data from ShanghaiTech dataset and taking crops with 1/4 size: import CCAugmentation as cca import CCAugmentation as ccat train_data_pipeline = cca.Pipeline( cca.examples.loading.SHHLoader("/data/ShanghaiTech/", "train", "B"), [ ccat.Crop(None, None, 1/4, 1/4) ] ) train_img, train_dm = train_data_pipeline.execute_collect() # you can also use execute_generate() to create a generator print(len(train_img), len(train_dm)) To see more examples of usage, please see our [experiment environment repository](https://github.com/m-konopka/CCAugmentation-Experiments-Env).

نیازمندی

مقدار	نام
==1.19.3	numpy
-	opencv-python
-	matplotlib
-	scipy
-	tqdm

نحوه نصب

نصب پکیج whl ccaugmentation-0.1.0:

pip install ccaugmentation-0.1.0.whl

نصب پکیج tar.gz ccaugmentation-0.1.0:

pip install ccaugmentation-0.1.0.tar.gz