lightning-flash - 跨数据领域和任务的AI模型训练与处理解决方案

项目介绍：Lightning Flash

Lightning Flash是一个基于PyTorch的高效人工智能框架，它的目标是让各种复杂的AI任务变得简单易用。它提供了一套完整的工具，可以处理超过15种任务，涵盖7个不同的数据领域。这项工具是您梦寐以求的生产级研究框架，适合那些希望快速申请AI技术但没有时间从头构建的开发者。

快速入门

使用PyPI，安装Lightning Flash只需简单的一行命令：

pip install lightning-flash

三步快速使用Flash

加载数据：
数据加载通过 DataModule 的 from_* 类方法完成。以图像分割任务为例，当数据存储在文件夹中时，可以使用 SemanticSegmentationData 类的 from_folders 方法：

from flash.image import SemanticSegmentationData

dm = SemanticSegmentationData.from_folders(
    train_folder="data/CameraRGB",
    train_target_folder="data/CameraSeg",
    val_split=0.1,
    image_size=(256, 256),
    num_classes=21,
)

配置模型：
Flash的任务模块中预装了预训练的骨干网络和头部结构。选择一个合适的模型并创建：

from flash.image import SemanticSegmentation

model = SemanticSegmentation(
  head="fpn", backbone='efficientnet-b0', pretrained="advprop", num_classes=dm.num_classes)

微调模型：
使用 Trainer 对模型进行微调并保存模型：

from flash import Trainer

trainer = Trainer(max_epochs=3)
trainer.finetune(model, datamodule=datamodule, strategy="freeze")
trainer.save_checkpoint("semantic_segmentation_model.pt")

PyTorch配方

使用Flash进行预测

使用Flash可以在两行代码内实现服务部署：

from flash.image import SemanticSegmentation

model = SemanticSegmentation.load_from_checkpoint("semantic_segmentation_model.pt")
model.serve()

或从原始数据直接进行预测：

from flash import Trainer

trainer = Trainer(strategy='ddp', accelerator="gpu", gpus=2)
dm = SemanticSegmentationData.from_folders(predict_folder="data/CameraRGB")
predictions = trainer.predict(model, dm)

Flash训练策略

Flash支持多种前沿训练策略，比如原型网络（Prototypical Networks）、模型无关元学习（MAML）等。这些策略特别有助于在生产环境中快速适应新的环境和标签数据。

Flash优化器和调度器

用户可以简单切换超过40种优化器和15种调度器。例如：

from flash.image import ImageClassifier

model = ImageClassifier(backbone="resnet18", num_classes=2, optimizer="Adam", lr_scheduler=None)

Flash Zero: 从命令行实现PyTorch配方

Flash Zero是一个无代码机器学习平台，通过命令行可即时实现训练、测试等功能，极大降低了使用门槛。

开源社区

Lightning Flash由一个核心团队维护，并获得广泛的开源社区支持。如果您对加入贡献者行列感兴趣，可以阅读我们的贡献指南。

项目采用Apache 2.0许可证，并受到Caffe、Theano、Keras等项目的启发，继续将开源软件的优秀传统发扬光大。