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

CRAL: Library for CNNs

ویژگی	مقدار
سیستم عامل	-
نام فایل	cral-0.4.0
نام	cral
نسخه کتابخانه	0.4.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	T Pratik
ایمیل نویسنده	pratik@segmind.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/cral/
مجوز	Apache License 2.0

![Upload Python Package](https://github.com/segmind/cral/workflows/Upload%20Python%20Package/badge.svg) # CNN Research Abstraction Library The CNN Research Abstraction Library or CRAL in short is a deep learning computer vision library for data scientists, researchers, and developers. With a primary focus on applied deep learning, the CRAL library encourages rapid development and comes with ready-to-use state-of-the-art networks and other pragmatic tools for a variety of applications in the computer vision space. Our aim is also to make it easier to reproduce and extend the results of various Deep Learning-powered Computer Vision (DLCV) algorithms developed in academia and industrial labs. # List of Algorithms ## Object detection - RetinaNet - yolov3 - SSD - FasterRCNN ## Instance Segmentation - MaskRCNN ## Semantic Segmentation - UNet - UNet ++ - Deeplabv3+ - FpnNet - PspNet - SegNet - LinkNet # Guiding Principles **Simple:** To make it easy for deep learning engineers & students alike to use neural networks to build computer vision applications of their choice, using low code approach. **Fast:** To accelerate going from experimentation to a working model. **Reproducible:** To offer implementations that can easily be trained and reproduced on your own data. # Components CRAL has a modular design to enable you to use each of its components independently, Alternatively, you can use the pipeline to get started quickly with multiple networks out-of-the-box. | Components | Description | |---|---| | [CNN models](/api/models) | Ready to use implementations of State-of-the-art (SOTA) algorithms. | | Pipeline tools | Load and validate your data before you start training. | | Optimization and debugging | Integration with Experiment Tracking, HP Optimization and other toolsets to help faster and build transparent models | # Detailed documentation: [Link](https://cral.segmind.com)

نیازمندی

مقدار	نام
-	tqdm
-	xxhash
-	pandas
==0.4.5	albumentations
-	jsonpickle
-	pycocotools
-	pydensecrf

نحوه نصب

نصب پکیج whl cral-0.4.0:

pip install cral-0.4.0.whl

نصب پکیج tar.gz cral-0.4.0:

pip install cral-0.4.0.tar.gz