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

Convenient dataset maker

ویژگی	مقدار
سیستم عامل	-
نام فایل	decorata-0.0.1a4
نام	decorata
نسخه کتابخانه	0.0.1a4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	jinoan
ایمیل نویسنده	jinoan89@gmail.com
آدرس صفحه اصلی	https://github.com/jinoan/decorata.git
آدرس اینترنتی	https://pypi.org/project/decorata/
مجوز	-

# Decorata [![PyPI version](https://badge.fury.io/py/decorata.svg)](https://badge.fury.io/py/decorata) 데코레이타(decorata)는 데이터를 쉽게 전처리 할 수 있는 high-level API library입니다. ## Usage ### Install ```shell $ pip install decorata ``` ### Basic Usage 1. Base dataset을 선택합니다. Pytorch 기반 데이터셋을 만들려면 `TorchBaseDataset`을 사용합니다. Tensorflow 기반 데이터셋을 만들려면 `TFBaseDataset`을 사용합니다. ```python import decorata.data as D dataset = D.TorchBaseDataset(images, labels, classes) ``` 2. `decorata.data` 안의 모듈을 이용하여 학습 전 데이터를 처리합니다. ```python dataset = D.LoadImages(dataset) dataset = D.ResizeImages(dataset, (256, 256)) dataset = D.OneHotLabels(dataset) ``` 3. 데이터 로더를 생성하여 학습에 사용합니다. ```python from torch.utils.data import DataLoader data_loader = DataLoader( dataset, batch_size = 16, shuffle = False, num_workers = 4 ) ``` ### Augmentations Augmentation은 [Albumentations](https://github.com/albumentations-team/albumentations) 라이브러리를 이용하도록 설계했습니다. `decorata.data.Augmentations`의 인자로 base dataset에서 파생된 인스턴스와 Albumentations 인스턴스를 받습니다. `decorata.augmentations`에 Albumentations와 함께 사용할 수 있는 모듈을 추가하고 있습니다. ```python import albumentations as A import decorata.data as D import decorata.augmentations as DA augmentations = A.Compose([ A.RandomRotate90(p=1), A.GridDistortion(p=0.8), A.GaussNoise(p=0.75), DA.CutMix(dataset, p=0.8), ]) dataset = D.Augmentations(dataset, augmentations) ``` ### Transforms `decorata.data.Transforms`를 이용하여 Pytorch의 Transforms를 적용할 수 있습니다. Augmentation과 동일하게 base dataset에서 파생된 인스턴스와 Albumentations 인스턴스를 인자로 받습니다. `decorata.transforms`에 Transforms와 함께 사용할 수 있는 모듈을 추가하고 있습니다. ```python from torchvision.transforms as T import decorata.data as D import decorata.transforms as DT transforms = T.Compose([ DT.ToTorchTensor(), DT.TorchNormalize(from_image=True) ]) dataset = D.Transforms(dataset, transforms) ```

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl decorata-0.0.1a4:

pip install decorata-0.0.1a4.whl

نصب پکیج tar.gz decorata-0.0.1a4:

pip install decorata-0.0.1a4.tar.gz