raster vision
v0.31.1
Raster Vision ist eine Open -Source -Python -Bibliothek und ein Framework zum Aufbau von Computer Vision -Modellen für Satelliten, Luft- und andere große Bilder (einschließlich schräger Drohnenbilder).
Es wird integrierte Unterstützung für die Chip-Klassifizierung, die Objekterkennung und die semantische Segmentierung mit Backends unter Verwendung von Pytorch erhalten.
Als Bibliothek bietet Raster Vision eine vollständige Reihe von Dienstprogrammen für den Umgang mit allen Aspekten eines geospatialen Deep-Learning-Workflows: Lesen von Daten, die geo-referenziert werden, Modelle machen, Vorhersagen machen und Vorhersagen in geo-referenzierten Formaten herausschreiben.
Als Raster Vision können Benutzer (die keine Experten für Deep Learning sein müssen!) Raster Vision schnell und wiederholbar Experimente konfigurieren, die eine Pipeline für maschinelles Lernen ausführen, einschließlich: Analyse von Schulungsdaten, Erstellen von Trainingschips, Trainingsmodellen, Erstellen von Vorhersagen, Bewertung von Modellen und Bündelung der Modelldateien und Konfiguration für eine einfache Bereitstellung. 
Raster Vision unterstützt auch integrierte Unterstützung für das Ausführen von Experimenten in der Cloud mit AWS-Batch sowie AWS-Sagemaker.
Weitere Informationen finden Sie in der Dokumentation.
Weitere Informationen finden Sie in der Setup -Dokumentation .
pip einbauen Sie können Raster Vision direkt über pip installieren.
pip install rastervisionAlternativ können Sie ein Docker -Bild verwenden. Docker -Bilder werden auf quay.io veröffentlicht (siehe Registerkarte Tags ).
Wir veröffentlichen ein neues Tag pro Merge in master , das mit den ersten 7 Zeichen des Commit Hash markiert ist. Um die neueste Version zu verwenden, ziehen Sie das latest Suffix, z. B. raster-vision:pytorch-latest . Git -Tags werden ebenfalls veröffentlicht, wobei der GitHub -Tag -Name als Docker -Tag -Suffix ist.
Sie können auch selbst ein Docker -Bild von Grund auf erstellen. Führen Sie nach dem Klonen dieses Repos docker/build aus und rennen Sie den Container mit docker/run .
Nichtentwickler finden es möglicherweise am einfachsten, das Raster Vision als einen Framework mit niedrigem Code zu verwenden, in dem Raster Vision alle Komplexitäten behandelt und der Benutzer nur einige Parameter konfigurieren muss. Der QuickStart Guide ist ein guter Einstiegspunkt in diese. Erweiterte Beispiele finden Sie auf der Seite Beispiele .
Für Entwickler und diejenigen, die eine tiefere Raster -Vision mit ihrem eigenen Code tauchen möchten, ist der beste Ausgangspunkt der Nutzungsübersicht , gefolgt von grundlegenden Konzepten und Tutorials .
Sie können Fragen stellen und mit Entwicklern sprechen (lassen Sie uns wissen, woran Sie arbeiten!)
Weitere Informationen finden Sie unter Beitrag.
Wir nehmen gerne Beiträge! Es ist am besten, sich mit den Betreuern über größere Funktionen oder Designänderungen in Verbindung zu setzen, bevor Sie mit der Arbeit beginnen, da es den Prozess der Annahme von Änderungen reibungsloser macht.
Jeder, der Code zur Raster Vision beisteuert, wird gebeten, eine Mitwirkungslizenzvereinbarung zu unterzeichnen. Siehe Anweisungen für Anweisungen.
Raster Vision ist unter der Apache 2 -Lizenz lizenziert. Siehe Lizenz hier.
Die Lizenzen der Drittanbieter für alle Abhängigkeiten, die von Raster Vision verwendet werden, finden Sie hier.
