raster vision
v0.31.1
Raster Vision es una biblioteca y marco de Python de código abierto para construir modelos de visión por computadora en satélite, antena y otros conjuntos de imágenes grandes (incluidas imágenes de drones oblicuos).
Tiene soporte incorporado para la clasificación de chips, la detección de objetos y la segmentación semántica con backends usando Pytorch.
Como biblioteca , Raster Vision proporciona un conjunto completo de servicios públicos para tratar todos los aspectos de un flujo de trabajo de aprendizaje profundo geoespacial: leer datos geo-referenciados, modelos de capacitación, hacer predicciones y escribir predicciones en formatos georreferenciados.
Como marco de bajo código , Raster Vision permite a los usuarios (que no necesitan ser expertos en un aprendizaje profundo!) Configurar de manera rápida y repetida experimentos que ejecutan una tubería de aprendizaje automático que incluya: analizar datos de capacitación, crear chips de capacitación, modelos de capacitación, crear predicciones, evaluar modelos y agrupar los archivos de modelos y la configuración para facilitar la implementación. 
Raster Vision también tiene un soporte incorporado para ejecutar experimentos en la nube utilizando AWS Batch y AWS Sagemaker.
Vea la documentación para más detalles.
Para obtener más detalles, consulte la documentación de configuración .
pip Puede instalar Raster Vision directamente a través de pip .
pip install rastervisionAlternativamente, puede usar una imagen Docker. Las imágenes de Docker se publican en Quay.io (ver la pestaña Etiquetas ).
Publicamos una nueva etiqueta per fusion into master , que está etiquetada con los primeros 7 caracteres del hash del comité. Para usar la última versión, tire del latest sufijo, por ejemplo raster-vision:pytorch-latest . Las etiquetas Git también se publican, con el nombre de la etiqueta GitHub como sufijo de etiqueta Docker.
También puede construir una imagen de Docker desde cero. Después de clonar este repositorio, ejecute docker/build , y ejecute el contenedor usando docker/run .
Los no desarrolladores pueden encontrar más fácil usar la visión de trama como un marco de código bajo donde la visión de trama maneja todas las complejidades y el usuario solo tiene que configurar algunos parámetros. La guía QuickStart es un buen punto de entrada en esto. Se pueden encontrar ejemplos más avanzados en la página de ejemplos .
Para los desarrolladores y aquellos que buscan sumergirse más profundamente o combinar la visión de ráster con su propio código, el mejor punto de partida es la descripción general del uso , seguido de conceptos y tutoriales básicos .
Puede hacer preguntas y hablar con los desarrolladores (¡háganos saber en qué está trabajando!) En:
Para obtener más información, ver contribuyente.
¡Estamos felices de recibir contribuciones! Es mejor ponerse en contacto con los mantenedores sobre características más grandes o cambios de diseño antes de comenzar el trabajo, ya que hará el proceso de aceptar cambios más suaves.
Se les pedirá a todos los que contribuyan con el código a Raster Vision que firmen un acuerdo de licencia de contribuyentes. Ver contribuyendo para instrucciones.
Raster Vision tiene licencia bajo la licencia Apache 2. Vea la licencia aquí.
Las licencias de terceros para todas las dependientes utilizadas por Raster Vision se pueden encontrar aquí.
