sefixlines 0.1.0

Tool for quickly starting training, with model training optimization and a wide range of capabilities

🚀 Модельные пайплайны Sefixlines

🆕 UPDATE: мультилейбл классификация
🆕 UPDATE: классификация текста

✨ Возможности

• ⚡ Быстрый старт без тонны кода
• 🖼️ Классификация изображений и текста
• 🎯 Семантическая сегментация изображения
• 💾 Автоматическое сохранение/загрузка весов
• 🔧 Простая кастомизация (loss_fn, optimizer, scheduler, augmentation)

⚙️ Установка

git clone https://github.com/Sefixnep/sefixlines.git
cd sefixlines
pip install -r requirements.txt

🎯 Начни с базового примера

Для быстрого старта используйте готовые шаблоны с настроенными пайплайнами:

import sefixlines

# Создаёт готовый notebook с примером для вашей задачи
sefixlines.setup('image_classification')        # Классификация изображений
sefixlines.setup('image_semantic_segmentation') # Семантическая сегментация
sefixlines.setup('text_classification')         # Классификация текста

Эта команда создаст файл sefixline.ipynb в текущей директории с полностью рабочим примером, включая:

• 📊 Загрузку и подготовку данных
• 🤖 Настройку модели
• 🏋️ Обучение с визуализацией
• 📈 Оценку результатов

⚡ Это самый быстрый способ начать работу! Просто откройте созданный notebook и адаптируйте под свои данные.

🚦 Минимальный запуск вручную

1. Подготовьте данные

# Классификация изображения
sefixlines.data.ImageClassificationDataset(paths, labels)

# Семантическая сегментация
sefixlines.data.ImageSemanticSegmentationDataset(image_paths, mask_paths)

# Классификация текста
sefixlines.data.TextClassificationDataset(texts, labels)

2. Выберите модель (любая модель, возвращающая логиты).
3. Обучите

# Для классификации
model_wrapper = sefixlines.models.Classifier(model, "MyModel")
model_wrapper.fit(train_loader, valid_loader, num_epochs=3)

# Для семантической сегментации
segmenter = sefixlines.models.SemanticSegmenter(model, "MySegmenter")
segmenter.fit(train_loader, valid_loader, num_epochs=3)

🛠 Что можно настроить

• свой optimizer, scheduler или loss_fn
• аугментации в датасэте

---

❗ Есть идеи или нашли ошибку? Пишите в telegram