raster vision
v0.31.1
Raster Vision是一个开源Python库，也是用于在卫星，空中和其他大型图像集（包括倾斜无人机图像）上构建计算机视觉模型的框架。
它具有使用Pytorch的后端的芯片分类，对象检测和语义分割的内置支持。
作为图书馆，栅格视觉提供了一套完整的公用事业，用于处理地理空间深度学习工作流的各个方面：阅读地理参考的数据，培训模型，做出预测并以地理参考格式写出预测。
作为一个低代码框架，栅格视觉允许用户（不需要成为深度学习的专家！）快速，重复配置执行机器学习管道的实验，包括：分析培训数据，创建培训芯片，创建培训模型，创建预测，评估模型以及捆绑模型文件和配置，并配置易于部署。 
Raster Vision还使用AWS批处理以及AWS SageMaker在云中进行了内置支持。
有关更多详细信息，请参见文档。
有关更多详细信息，请参见设置文档。
pip安装您可以直接通过pip安装栅格视觉。
pip install rastervision另外，您可以使用Docker映像。 Docker图像已发布到quay.io（请参阅“标签”选项卡）。
我们将每次合并的新标签发布到master中，该标签标记为“提交哈希”的前7个字符。要使用最新版本，请拉出latest后缀，例如raster-vision:pytorch-latest 。 GIT标签还发布，GitHub标签名称为Docker标签后缀。
您也可以自己从头开始构建Docker映像。克隆此存储库后，运行docker/build ，然后使用docker/run运行容器。
非开发人员可能会发现最容易使用栅格视觉作为低代码框架，在该框架上，栅格视觉处理所有复杂性，用户只需要配置一些参数即可。快速启动指南是对此的良好入口处。可以在示例页面上找到更高级的示例。
对于开发人员和希望更深入研究或将栅格视觉与自己的代码相结合的人，最好的起点是用法概述，其次是基本概念和教程。
您可以提出问题并与开发人员交谈（让我们知道您在做什么！）：
有关更多信息，请参阅贡献。
我们很乐意做出贡献！在开始工作之前，最好与维护人员联系更大的功能或设计更改，因为这将使接受更改的过程更加顺畅。
每个向栅格愿景贡献代码的人都将被要求签署贡献者许可协议。请参阅有关说明的贡献。
栅格视觉是根据Apache 2许可证获得许可的。请参阅此处的许可证。
可以在此处找到栅格视觉使用的所有依赖的第三方许可证。
