pytorch_connectomics

pytorch_connectomics

PyTorch Connectomics加速大脑神经连接图谱构建

PyTorch Connectomics是一个面向神经科学领域的开源深度学习框架,专门用于处理电子显微镜采集的大脑图像数据。该框架支持连接组学中的自动和半自动语义及实例分割,提供多任务学习、主动学习和半监督学习功能。它采用分布式和混合精度优化技术,能高效处理大规模数据集。框架包含多种编码器-解码器架构,如定制3D UNet和特征金字塔网络模型,并提供全面的体积数据增强功能。由哈佛大学视觉计算组维护,PyTorch Connectomics致力于加速大脑神经连接图谱的重建过程。

PyTorch Connectomics深度学习框架连接组学图像分割神经连接重建Github开源项目
<a href="https://github.com/zudi-lin/pytorch_connectomics"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/14986429-161a-4f6e-92aa-bea8a4b30804.png" width="450"></a> <p align="left"> <a href="https://www.python.org/"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/16701d51-8ff4-484f-bbeb-8fe799606753.svg" /></a> <a href= "https://pytorch.org/"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/4c235598-82cc-4619-a1ee-ff23c48e888b.svg" /></a> <a href= "https://github.com/zudi-lin/pytorch_connectomics/blob/master/LICENSE"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/51b34be0-46c0-441a-8fb7-6380c58d075c.svg" /></a> <a href= "https://zudi-lin.github.io/pytorch_connectomics/build/html/index.html"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/2c2873fb-ad55-46fb-8018-a7699398c3d7.svg" /></a> <a href= "https://join.slack.com/t/pytorchconnectomics/shared_invite/zt-obufj5d1-v5_NndNS5yog8vhxy4L12w"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/66ba327e-f32c-4cb8-bb06-68cf2dd3da0a.svg" /></a> <a href= "https://arxiv.org/abs/2112.05754"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/60f57d35-6cc0-4db8-9716-f52ebd1e9ffe.svg" /></a> </p> <hr/>

简介

"连接组学"领域旨在通过在单个突触水平上绘制神经连接图来重建大脑的布线图。最近电子显微镜(EM)技术的进步使得收集大量纳米级分辨率的图像堆栈成为可能,但标注需要专业知识且极其耗时。在此,我们提供了一个由PyTorch驱动的深度学习框架,用于连接组学中的自动和半自动语义分割和实例分割,我们称之为PyTorch Connectomics(PyTC)。这个仓库主要由哈佛大学视觉计算组(VCG)维护。

PyTorch Connectomics目前正在积极开发中!

主要特点

  • 多任务、主动和半监督学习
  • 分布式和混合精度优化
  • 处理大型数据集的可扩展性
  • 针对体积数据的全面数据增强

安装

请参考Pytorch Connectomics维基,特别是安装页面,以获取在本地机器或高性能集群上安装的最新说明。

Docker

除了上述安装指南外,我们还将PyTC Docker镜像推送到公共Docker注册表(2022年3月12日),以提高可用性。此外,我们还提供相应的Dockerfile以支持个性化修改。请参考我们的PyTC Docker指南了解更多信息。

注意事项

分割模型

我们提供了几种编码器-解码器架构,这些是定制的3D UNet和具有各种模块和主干网络的特征金字塔网络(FPN)模型。这些模型可用于3D图像堆栈的语义分割和自下而上的实例分割。这些模型还可以专门为同向和非同向数据集构建。请查看文档了解更多详情。

数据增强

我们为EM图像提供了一个数据增强接口,包含几种常见的增强方法。该接口基于NumPy数组操作,因此可以轻松地与许多基于Python的深度学习框架(如TensorFlow)集成。有关数据增强模块设计的更多详情,请查看文档,特别是utils文档。

YACS配置

我们使用Yet Another Configuration System(YACS)库来管理模型训练和推理中的设置和超参数。教程示例的配置文件可以在这里找到。所有可用的配置选项可以在connectomics/config/defaults.py中找到。请注意,某些选项的默认值为None,这仅在YACS v0.1.8之后的版本中支持。

致谢

本项目建立在许多前期项目的基础之上。特别地,我们要感谢以下GitHub仓库的贡献者:

  • pyGreenTea:HHMI Janelia FlyEM团队
  • DataProvider:普林斯顿SeungLab
  • Detectron2:Facebook AI研究院

我们衷心感谢NSF awards IIS-1835231和IIS-2124179的支持。

许可证

本项目采用MIT许可证,版权归所有PyTorch Connectomics贡献者所有 - 详见LICENSE文件。

引用

有关我们框架的详细描述,请阅读这份技术报告。如果您在研究中发现PyTorch Connectomics(PyTC)有用,请引用:

@article{lin2021pytorch, title={PyTorch Connectomics: A Scalable and Flexible Segmentation Framework for EM Connectomics}, author={Lin, Zudi and Wei, Donglai and Lichtman, Jeff and Pfister, Hanspeter}, journal={arXiv preprint arXiv:2112.05754}, year={2021} }

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多