raster-vision

项目介绍：Raster Vision

项目概述

Raster Vision 是一个开源的 Python 库和框架，专门用于在卫星、航空及其他大规模影像集（包括倾斜无人机影像）上构建计算机视觉模型。它内置支持芯片分类、目标检测和语义分割，使用了 PyTorch 作为其后端。

作为库的功能

作为一个库，Raster Vision 提供了一整套用于处理地理空间深度学习工作流各个方面的实用工具。这包括读取地理参考数据、训练模型、进行预测，并将预测结果输出为地理参考格式的工具。

作为低代码框架的功能

Raster Vision 作为一个低代码框架，使得用户无需成为深度学习专家，就可以快速、重复地配置实验来执行机器学习管道。这些管道包括：分析训练数据、创建训练芯片、训练模型、生成预测、评估模型以及将模型文件和配置打包以便于部署。

云端运行支持

Raster Vision 还内置了在云端运行实验的支持，包括使用 AWS Batch 和 AWS Sagemaker 进行操作。这使得用户可以更高效地利用云计算资源进行大规模的模型训练和预测。

安装方法

通过 pip 安装

用户可以通过 pip 直接安装 Raster Vision:

pip install rastervision

使用预构建的 Docker 镜像

另外，用户可以选择使用 Docker 镜像。Docker 镜像会发布在 quay.io，每次合并到 master 分支时都会发布一个新的标签。要使用最新版本，可以拉取带有 latest 后缀的镜像，例如 raster-vision:pytorch-latest。

自行构建 Docker 镜像

用户也可以自行从头构建 Docker 镜像。在克隆代码库后，运行 docker/build，然后通过 docker/run 运行容器。

使用示例和教程

对于非开发人员来说，最简单的使用方式是将 Raster Vision 作为低代码框架使用，让 Raster Vision 处理复杂性，用户只需配置少量参数。快速入门指南是一个很好的切入点。更高级的示例可以在项目的示例页面找到。

对于开发人员和希望深入研究或将 Raster Vision 与自己的代码结合使用的人，使用概览是最佳的起点，接下来可以查看基本概念和教程。

联系与支持

用户可以通过讨论论坛或邮件列表提问，与开发人员交流项目中的工作进展。

贡献

Raster Vision 欢迎用户贡献代码。在添加大型功能或进行设计更改之前，最好先与维护人员联系，以确保变更的接受过程更为顺畅。所有向 Raster Vision 贡献代码的人都需要签署贡献者许可协议。

许可

Raster Vision 遵循 Apache 2 许可证。有关项目中使用的所有第三方依赖项的许可可以在相关文档中找到。