معرفی شرکت ها

fcis-2.1.3

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
2.1.3
2.1.2
2.1.1
2.1.0

توضیحات

Chainer Implementation of FCIS
ویژگی مقدار
سیستم عامل -
نام فایل fcis-2.1.3
نام fcis
نسخه کتابخانه 2.1.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Shingo Kitagawa
ایمیل نویسنده shingogo.5511@gmail.com
آدرس صفحه اصلی https://github.com/knorth55/chainer-fcis
آدرس اینترنتی https://pypi.org/project/fcis/
مجوز MIT
chainer-fcis - FCIS =================== [![PyPI Version](https://img.shields.io/pypi/v/fcis.svg)](https://pypi.python.org/pypi/fcis) ![Build Status](https://travis-ci.org/knorth55/chainer-fcis.svg?branch=master) ![Example](static/coco_example.png) This is [Chainer](https://github.com/chainer/chainer) implementation of [Fully Convolutional Instance-aware Semantic Segmentation](https://arxiv.org/abs/1611.07709). Original Mxnet repository is [msracver/FCIS](https://github.com/msracver/FCIS). Requirement ----------- - [CuPy](https://github.com/cupy/cupy) - [Chainer](https://github.com/chainer/chainer) - [ChainerCV](https://github.com/chainer/chainercv) - OpenCV2 Additional Requirement ---------------------- - For COCO Dataset class - [Cython](http://cython.org/) - [pycocotools](https://github.com/cocodataset/cocoapi) - For COCO Training - [OpenMPI](https://www.open-mpi.org/) - [nccl](https://developer.nvidia.com/nccl) - [ChainerMN](https://github.com/chainer/chainermn) Notification ------------ - Only GPU implementation, No CPU implementation yet. TODO ---- - VOC - [x] Reproduce original repo training accuracy - [ ] Refine evaluation code - COCO - [ ] Reproduce original repo training accuracy - [ ] Refine evaluation code Installation ------------ We recommend to use [Anacoda](https://anaconda.org/). ```bash # Requirement installation conda create -n fcis python=2.7 conda install -c menpo opencv pip install cupy # Installation pip install fcis ``` Inference --------- ```bash cd examples/coco/ python demo.py ``` Above is our implementation output, and below is original. <img src="static/output.png" width="60%" > <img src="static/original_output.png" width="60%" > Training -------- ```bash cd examples/voc/ python train.py ``` LICENSE ------- [MIT LICENSE](LICENSE) Powered by [DL HACKS](http://deeplearning.jp/hacks/)


نحوه نصب


نصب پکیج whl fcis-2.1.3:

    pip install fcis-2.1.3.whl


نصب پکیج tar.gz fcis-2.1.3:

    pip install fcis-2.1.3.tar.gz