计算机视觉 开源库指南 小结

本文介绍计算机视觉的开源库指南，基本是免费和开源的。

包括：OpenCV 、scikit-image、imgaug、Augmentor、Albumentations。

文章结构分为“目录版”和“简介版”。

目录版

OpenCV - 开源计算机视觉库

scikit-image - 图像处理 SciKit（SciPy 工具箱）

imgaug - 机器学习实验的图像增强

Augmentor - Python 中用于机器学习的图像增强库

Albumentations- 快速的图像增强库和其他库的易于使用的包装器

简介版

OpenCV - 开源计算机视觉库

OpenCV 是一个高度优化的库，专注于实时应用程序。

跨平台：C++、Python 和 Java 接口支持 Linux、MacOS、视窗、iOS 和安卓系统。

开源：OpenCV 是开源的，根据 BSD 3 条款许可证发布。它是免费的商业用途。

主页：https://opencv.org

课程：https://opencv.org/courses

文档：https://docs.opencv.org/master/

问答论坛：https://forum.opencv.org

以前的论坛（仅阅读）：http://answers.opencv.org

问题跟踪：https://github.com/opencv/opencv/issues

其他开放式CV功能：https://github.com/opencv/opencv_contrib

scikit-image - 图像处理 SciKit（SciPy 工具箱）

scikit-image 用于图像处理的算法集合。它是免费的，不受限制。

网站（包括文档）：https://scikit-image.org/

邮件列表：https://mail.python.org/mailman3/lists/scikit-image.python.org/

资料来源：https://github.com/scikit-image/scikit-image

基准：https://pandas.pydata.org/speed/scikit-image/

imgaug - 机器学习实验的图像增强

imgaug 为机器学习项目增强图像。它将一组输入图像转换为一组更大、稍有更改的图像。

Augmentor - Python 中用于机器学习的图像增强库

它是自动化图像增强（人工数据生成），以扩展数据集作为机器学习算法，特别是神经网络和深度学习的输入。

Albumentations- 快速的图像增强库和其他库的易于使用的包装器

用于图像增强的 Python 库。图像增强用于深度学习和计算机视觉任务，以提高训练有素的模型的质量。图像增强的目的是从现有数据中创建新的培训样本。

相形支持所有常见的计算机视觉任务，如分类、语义分割、实例分割、对象检测和姿势估计。

库提供简单的统一 API，可处理所有数据类型：图像（RBG 图像、灰度图像、多光谱图像）、分割面罩、界框和要点。

该库包含70 多种不同的增强，以便从现有数据中生成新的培训样本。

它是快速的。我们对每个新版本进行基准测试，以确保增量提供最大速度。

AI 图像处理

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。