منصوبے کے بارے میں

Segmentation Models PyTorch (SMP) ایک Python لائبریری ہے جو تصویری سیمنٹک سیگمنٹیشن کے لیے PyTorch پر بنائی گئی ہے۔ یہ ایک اعلیٰ سطحی API پیش کرتی ہے جہاں سیگمنٹیشن ماڈل ایک معیاری torch.nn.Module ہوتا ہے، جسے چند لائنوں میں بنایا جا سکتا ہے۔ README میں بیان کردہ اہم صلاحیتیں: - 12 انکوڈر-ڈیکوڈر آرکیٹیکچرز: Unet، Unet++، MAnet، Linknet، FPN، PSPNet، PAN، DeepLabV3، DeepLabV3+، UPerNet، Segformer اور DPT، ہر ایک اپنے پیپر اور دستاویزات سے منسلک۔ - 800+ پری ٹرینڈ کنوولوشن- اور ٹرانسفارمر-بیسڈ انکوڈرز، بشمول timm بیک بونز کی سپورٹ۔ انکوڈرز صرف حتمی کلاسیفیکیشن فیچرز کے بجائے درمیانی فیچرز ظاہر کرتے ہیں، اور پری ٹرینڈ ویٹس کے ساتھ آتے ہیں جن کا مقصد کنورجنس کو تیز اور مستحکم کرنا ہے۔ README کم تاخیر یا ایج انفرنس کے لیے ہلکے پھلکے آپشنز (mobilenet/mobileone) اور پیچیدہ کاموں کے لیے زیادہ صلاحیت والے آپشنز (convnext/swin/mit) کا ذکر کرتا ہے۔ - پری پروسیسنگ ہیلپرز: get_preprocessing_fn ایک پری پروسیسنگ فنکشن واپس کرتا ہے جو انکوڈر کی پری ٹریننگ (مثلاً ImageNet) سے مطابقت رکھتا ہے، جس کے بارے میں README کہتا ہے کہ یہ نتائج اور کنورجنس کو بہتر بنا سکتا ہے لیکن پورے ماڈل کی تربیت کے وقت لازمی نہیں۔ - سیگمنٹیشن تربیت کے لیے عام طور پر استعمال ہونے والے لاسز اور میٹرکس (Dice، Jaccard، Tversky اور دیگر)۔ - ماڈل API کے آپشنز: in_channels صوابدیدی ان پٹ چینل تعداد کے لیے (پہلی کنوولوشن کے ویٹس کے دوبارہ استعمال کی دستاویزی وضاحت کے ساتھ)، aux_params ایک اختیاری معاون کلاسیفیکیشن ہیڈ کے لیے (گلوبل پولنگ، اختیاری ڈراپ آؤٹ، لکیری، اختیاری ایکٹیویشن) جو ماسک کے ساتھ ساتھ ایک لیبل آؤٹ پٹ پیدا کرتا ہے، اور encoder_depth ڈاؤن سیمپلنگ مراحل کو کم کرنے اور ماڈلز کو ہلکا بنانے کے لیے۔ - ایکسپورٹ اور ڈیپلائمنٹ کی سہولت: ONNX ایکسپورٹ اور torch script/trace/compile مطابقت۔ مثالوں میں بائنری سیگمنٹیشن (OxfordPets، CamVid)، ملٹی کلاس سیگمنٹیشن (CamVid)، پری ٹرینڈ Segformer، DPT اور UPerNet کے ساتھ انفرنس لوڈ اور چلانے، ماڈلز کو مقامی طور پر یا Hugging Face Hub پر محفوظ/لوڈ کرنے، اور ONNX میں ایکسپورٹ کرنے کے نوٹ بکس شامل ہیں۔ UPerNet، Segformer اور DPT کے چیک پوائنٹس Hugging Face پر منسلک ہیں۔ تنصیب pip (segmentation-models-pytorch) کے ذریعے یا براہ راست GitHub سے کی جاتی ہے۔ README میں اس لائبریری کا استعمال کرتے ہوئے جیتے گئے مقابلوں کا ہال-آف-فیم صفحہ، SMP کے ساتھ بنایا گیا ایک پروجیکٹ (withoutBG بیک گراؤنڈ ریموول)، ڈیو انسٹال، ٹیسٹس اور لنٹنگ کے لیے make ٹارگٹس استعمال کرتے ہوئے تعاون کی ہدایات، ایک حوالہ اندراج، اور لائسنسنگ کا بھی ذکر ہے: بنیادی طور پر MIT جس میں کچھ فائلیں دیگر لائسنسوں کے تحت ہیں، لہذا تجارتی صارفین کو مشورہ دیا جاتا ہے کہ وہ LICENSES فائل اور فی فائل بیانات چیک کریں۔