计算机视觉工具包Luminoth

GitHub 页面：https://github.com/tryolabs/luminoth

Luminoth 是一个开源的计算机视觉工具包，目前支持目标探测和图像分类，但以后会有更多的扩展。该工具包在 TensorFlow 和 Sonnet 上用 Python 搭建而成。不过，该工具包只具备内部测试版品质，即内部和外部接口（如命令行）非常可能随着代码库的成熟而变化。

下面，我们来看一下 Luminoth 的特点：

开箱使用

Luminoth 是一个开源的工具包，简单易用。

可定制的目标检测和分类模型

使用自定义数据轻松训练神经网络，实现目标检测和分类。使用的是当前最优的模型比如 Faster R-CNN。

在 TensorFlow & Sonnet 上搭建

Luminoth 建立在谷歌深度学习框架 TensorFlow 和 DeepMind 的图形库 Sonnet 上。

训练过程简单

只需要键入 lumi train 就可以训练模型。可以在本地训练，或者使用 Luminoth 内置的谷歌云平台支持在云端训练模型。

训练完成之后，你可以使用 Tensorboard 集成可视化进展和中间结果，还可使用不同的数据分割对模型进行评估。

结果易于理解

可视化结果的能力一直很重要，尤其在计算机视觉领域。在模型训练完之后，使用我们的 UI 或者命令行接口，即可获得容易理解的摘要（summary）和结果的图可视化。

接下来，我们看一下 Luminoth 的安装过程及使用的注意事项。

安装

Luminoth 现在支持 Python 2.7 和 3.4–3.6。

如已安装 TensorFlow 和 Sonnet，Luminoth 将使用已安装的版本。

CPU 支持的安装

只需运行：

$ pip install luminoth

如果你的电脑上没有 TensorFlow 和 Sonnet 的 CPU 版本，则运行以上命令安装这些版本。

GPU 支持的安装

1. 安装 GPU 支持的 TensorFlow（https://www.tensorflow.org/install/）。

2. 安装 GPU 支持的 Sonnet（https://github.com/deepmind/sonnet#installation）：

$ pip install dm-sonnet-gpu

3. 从 PyPI 中安装 Luminoth：

$ pip install luminoth

从数据源安装

首先，将 repo 复制到你的电脑上，然后使用 pip 进行安装：

$ git clone https://github.com/tryolabs/luminoth.git
$ cd luminoth
$ pip install -e .

检查安装是否有效

只需运行 lumi --help。

支持的模型

目前，我们支持以下模型：

Object Detection

Faster R-CNN

我们计划近期增加对更多模型的支持，如 SSD、YOLO 和 Mask R-CNN。此外，我们还致力于在 Pascal VOC2012 等流行数据集上提供预训练的检查点。

使用

运行 lumi 命令时，有一个主要的命令行接口可供使用。如果你对如何操作感到疑惑，只需键入：lumi --help 或 lumi <subcommand> --help，将会出现多个可用选项以及具体描述。

如何处理数据集

详见https://github.com/tryolabs/luminoth/blob/master/docs/DATASETS.md。

训练

关于如何在本地训练或在谷歌云中训练，请查看https://github.com/tryolabs/luminoth/blob/master/docs/TRAINING.md。

结果可视化

我们试图获取有用、易于理解的摘要和图可视化。我们认为这不仅对于监督是必要的，对于增加对内部运行机制的理解同样大有裨益。这也使代码易于理解、容易学习，计算图也是如此。

摘要和图日志（graph log）的默认存储位置是/tmp/luminoth。你可以运行以下命令来使用 TensorBoard：

tensorboard --logdir /tmp/luminoth

名称来源

黑暗视镜是游戏《银河战士 Prime 2 黑暗回音（Metroid Prime 2: Echoes）》中的一款装备。它由 Luminoth 设计而成，可在与 Ing 的战斗中穿透黑暗 Aether 的烟雾。