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

efficientbioai is a python package for efficient deep learning in bioimaging

ویژگی	مقدار
سیستم عامل	-
نام فایل	efficientbioai-0.0.6
نام	efficientbioai
نسخه کتابخانه	0.0.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	mmv_lab team
ایمیل نویسنده	yu.zhou@isas.de
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/efficientbioai/
مجوز	-

# EfficientBioAI This package mainly focus on the efficiency of BioImage AI tasks. For the moment we just implemented quantization algorithm. ## Introduction: The whole project contains two parts: quantization and inference. In the quantization step, we quantize the pretrained model into int8 precision and transform them to the format suitable to the inference engine. The next step is to run the inference on the inference engine and do the analysis. The inference engine that we choose is `openvino` for intel CPU and `tensorrt` for nvidia GPU. We support several popular bioimage AI tools like([mmv_im2im](https://github.com/MMV-Lab/mmv_im2im),[cellpose](https://github.com/MouseLand/cellpose)). Also user-defined pytorch models are supported. ## Installation: ### pip: First create a virtual environment using conda: ```bash conda config --add channels conda-forge conda create -n efficientbioai python=3.8 setuptools=59.5.0 ``` Then we need to install the dependencies: ```bash git clone git@github.com:ModelTC/MQBench.git cd MQBench python setup.py install cd .. ``` Then install the `efficientbioai` package: ```bash git clone git@github.com:MMV-Lab/EfficientBioAI.git cd EfficientBioAI pip install -e .[cpu/gpu/all] # for intel cpu, nvidia gpu or both ``` ### docker:(recommended) We use different docker images for both cpu and gpu. Assume that you are in the root directory of the project. - for CPU: ```bash cd docker/cpu bash install.sh # if not install docker, run this command first bash build_docker.sh # build the docker image cd ../.. bash docker/cpu/run_container.sh #run the docker container ``` - for GPU: ```bash cd docker/gpu bash install.sh # if not install docker, run this command first bash build_docker.sh # build the docker image cd ../.. bash docker/gpu/run_container.sh #run the docker container ``` ## How to run it: ### Use scripts: - compression: ```bash python efficientbioai/compress.py --config path/to/the/config.yaml --exp_path experiment/save_path ``` - inference: ```bash python efficientbioai/inference.py --config path/to/the/config.yaml ``` ### Use functions: There is a simple [example](tutorial/compress_custom_network.ipynb) Note that pretrained model and data should be placed in the `model` and `data` folders, respectively. You can download our mmv_im2im pretrained model from [nextcloud](). All the intermediate files will be saved in the `experiment` folder.

نیازمندی

مقدار	نام
-	numpy
-	codecarbon
<1.11,>=1.10	torch
-	mmv-im2im
-	cellpose
-	nni
-	tensorboard
-	openvino
-	openvino-dev[onnx,pytorch]
-	pycuda
<8.6,>=8.0	tensorrt
-	openvino
-	openvino-dev[onnx,pytorch]
-	pycuda
<8.6,>=8.0	tensorrt
>=19.10b0	black
>=2.1.4	codecov
>=3.8.3	flake8
>=3.2.1	flake8-debugger
>=5.4.3	pytest
>=2.9.0	pytest-cov
>=0.11	pytest-raises

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl efficientbioai-0.0.6:

pip install efficientbioai-0.0.6.whl

نصب پکیج tar.gz efficientbioai-0.0.6:

pip install efficientbioai-0.0.6.tar.gz