数据API 案例 开发者 关于
掌握聚合最新动态了解行业最新趋势
API接口,开发服务,免费咨询服务

资源 | ChainerCV:基于Chainer的深度学习计算机视觉实用库(内含工具集)

本文经机器之心(微信公众号:almosthuman2014)授权转载,禁止二次转载。

我们发布了 ChainerCV,一个用于计算机视觉的深度学习实用库。这个库旨在通过 Chainer 简易化计算机视觉的训练和深度学习模型应用的过程。它包含计算机视觉模型的高质量实现,以及开展计算机视觉研究的必备工具集。

ChainerCV 支持的功能

计算机视觉模型的高质量实现

软件的质量通过文档和测试获得保证。除了那些传统的软件工程实践之外,对于想要尝试新想法的研发人员来说,一个与前沿论文性能一致的训练脚本同样重要。我们在 GitHub 上列举了实现的性能,其评估脚本可用于验证本地计算机上的分数。所有的实现都与原始报告的分数相一致。

我们的实现尽可能忠于参考实现。无论何时进行更改,文档中都会生成一个相应的评论。

当前,ChainerCV 提供了目标检测和语义分割模型(Faster R-CNN、SSD 和 SegNet)的实现。

简单易用的实现

在 ChainerCV 中执行推理非常容易。ChainerCV 具有大量的已训练权重,可在运行时自动从网络上下载,因此用户无需担心下载或者记住已训练权重的文件位置。同样,ChainerCV 提供了简单统一的界面,从而为解决相同任务的不同模型执行推理。例如,Faster R-CNN 和 SSD 都具备一个被称作「预测」的方法,它可以接收图像并返回物体检测的结果。

转换

ChainerCV 还提供了通用函数以在馈送到神经网络之前执行数据预处理。用户可以通过定义函数创建定制化的预处理流程,因此以描述转换输入数据的过程。

计算机视觉的研究工具

ChainerCV 包含了一组指导计算机视觉研究的工具:

  • 为一般视觉数据集(如 PASCAL VOC 任务的目标识别数据集)而构建的数据集加载器

  • 能用于数据预处理/数据增强的转换

  • 可视化

  • 一般度量方法的评估代码

可视化执行模型所得到的推理结果

在上图左侧,我们的物体检测模型推理出一个输出结果。该物体检测是一种带有物体定位的图像识别任务。上图右侧显示了输入图片和输出的语义分割图像。语义分割是一种像素级分类任务,它将整张图片按属性分割为不同的对象。

安装

  1. $ pip install -U numpy

  2. $ pip install chainercv

使用 Anaconda 安装 ChainerCV 的指南:http://chainercv.readthedocs.io/en/stable/#install-guide

环境要求

  • Chainer 和其依赖项

  • Pillow

  • Cython(构建要求)

附加特征

  • Matplotlib

  • OpenCV

Python 2.7.12 和 3.6.0 下的环境已经获得测试。

主分支在稳定版(v2)和开发版(v3)都能运行

对于使用 Chainer v1 的用户,请使用 0.4.11 版本,我们可以使用命令行「pip install chainercv==0.4.11」安装该版本,但是该分支并没有进行维护。

使用 ChainerCV 的注意事项

计算机视觉上的数据很多都有不同的表征标准,例如色彩通道规则等。所以用户需要了解本软件库默认采用的规范就很重要了。ChainerCV 使用的全部约定可以在 Github 中的 README 页面中找到。

ChainerCV 未来的计划

  • 计划未来能支持更广泛的任务,很快 ChainerCV 就能支持分类任务了。

  • 计划提供在大数据集上训练的预训练模型,但这在有限的计算力下比较困难或比较耗时。

  • ChainerCV 的论文已被 ACM Multimedia 2017 开源软件竞赛接收,并很快在 arXiv 上开放。

原文来自:机器之心

声明:所有来源为“聚合数据”的内容信息,未经本网许可,不得转载!如对内容有异议或投诉,请与我们联系。邮箱:marketing@think-land.com

掌握聚合最新动态了解行业最新趋势
API接口,开发服务,免费咨询服务
资源 | ChainerCV:基于Chainer的深度学习计算机视觉实用库(内含工具集)
发布:2017-08-16

本文经机器之心(微信公众号:almosthuman2014)授权转载,禁止二次转载。

我们发布了 ChainerCV,一个用于计算机视觉的深度学习实用库。这个库旨在通过 Chainer 简易化计算机视觉的训练和深度学习模型应用的过程。它包含计算机视觉模型的高质量实现,以及开展计算机视觉研究的必备工具集。

ChainerCV 支持的功能

计算机视觉模型的高质量实现

软件的质量通过文档和测试获得保证。除了那些传统的软件工程实践之外,对于想要尝试新想法的研发人员来说,一个与前沿论文性能一致的训练脚本同样重要。我们在 GitHub 上列举了实现的性能,其评估脚本可用于验证本地计算机上的分数。所有的实现都与原始报告的分数相一致。

我们的实现尽可能忠于参考实现。无论何时进行更改,文档中都会生成一个相应的评论。

当前,ChainerCV 提供了目标检测和语义分割模型(Faster R-CNN、SSD 和 SegNet)的实现。

简单易用的实现

在 ChainerCV 中执行推理非常容易。ChainerCV 具有大量的已训练权重,可在运行时自动从网络上下载,因此用户无需担心下载或者记住已训练权重的文件位置。同样,ChainerCV 提供了简单统一的界面,从而为解决相同任务的不同模型执行推理。例如,Faster R-CNN 和 SSD 都具备一个被称作「预测」的方法,它可以接收图像并返回物体检测的结果。

转换

ChainerCV 还提供了通用函数以在馈送到神经网络之前执行数据预处理。用户可以通过定义函数创建定制化的预处理流程,因此以描述转换输入数据的过程。

计算机视觉的研究工具

ChainerCV 包含了一组指导计算机视觉研究的工具:

  • 为一般视觉数据集(如 PASCAL VOC 任务的目标识别数据集)而构建的数据集加载器

  • 能用于数据预处理/数据增强的转换

  • 可视化

  • 一般度量方法的评估代码

可视化执行模型所得到的推理结果

在上图左侧,我们的物体检测模型推理出一个输出结果。该物体检测是一种带有物体定位的图像识别任务。上图右侧显示了输入图片和输出的语义分割图像。语义分割是一种像素级分类任务,它将整张图片按属性分割为不同的对象。

安装

  1. $ pip install -U numpy

  2. $ pip install chainercv

使用 Anaconda 安装 ChainerCV 的指南:http://chainercv.readthedocs.io/en/stable/#install-guide

环境要求

  • Chainer 和其依赖项

  • Pillow

  • Cython(构建要求)

附加特征

  • Matplotlib

  • OpenCV

Python 2.7.12 和 3.6.0 下的环境已经获得测试。

主分支在稳定版(v2)和开发版(v3)都能运行

对于使用 Chainer v1 的用户,请使用 0.4.11 版本,我们可以使用命令行「pip install chainercv==0.4.11」安装该版本,但是该分支并没有进行维护。

使用 ChainerCV 的注意事项

计算机视觉上的数据很多都有不同的表征标准,例如色彩通道规则等。所以用户需要了解本软件库默认采用的规范就很重要了。ChainerCV 使用的全部约定可以在 Github 中的 README 页面中找到。

ChainerCV 未来的计划

  • 计划未来能支持更广泛的任务,很快 ChainerCV 就能支持分类任务了。

  • 计划提供在大数据集上训练的预训练模型,但这在有限的计算力下比较困难或比较耗时。

  • ChainerCV 的论文已被 ACM Multimedia 2017 开源软件竞赛接收,并很快在 arXiv 上开放。

原文来自:机器之心

声明:所有来源为“聚合数据”的内容信息,未经本网许可,不得转载!如对内容有异议或投诉,请与我们联系。邮箱:marketing@think-land.com

选择想要的接口, 看看能免费获取多少次调用 选择(单选)或填写想要的接口
  • 短信API服务
  • 银行卡四元素检测[简]
  • 身份证实名认证
  • 手机状态查询
  • 三网手机实名制认证[简]
  • 身份证OCR识别
  • 风险信息查询
  • 企业工商信息
短信API服务
  • 短信API服务
  • 银行卡四元素检测[简]
  • 身份证实名认证
  • 手机状态查询
  • 三网手机实名制认证[简]
  • 身份证OCR识别
  • 风险信息查询
  • 企业工商信息
  • 确定
选择您的身份
请选择寻找接口的目的
预计每月调用量
请选择预计每月调用量
产品研发的阶段
请选择产品研发的阶段
×

前往领取
×
企业用户认证,
可获得1000次免费调用
注册登录 > 企业账户认证 > 领取接口包
企业用户认证领取接口包 立即领取
× 企业用户认证,
可获得1000次免费调用,立即领取>
数 据 驱 动 未 来
Data Drives The Future