sefixlines 0.2.0

Инструмент для быстрого решения ML задач, с оптимизацией обучения моделей и большим спектром возможностей

🚀 Модельные пайплайны Sefixlines

 

 

🆕 UPDATE: Добавлена задача регрессии
🆕 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

pip install sefixlines

🎯 Начни с базового примера

Для быстрого старта используйте готовые шаблоны с настроенными пайплайнами:

from sefixlines import baseline

# Создаёт готовый notebook с примером для вашей задачи
baseline.create('image_classification')        # Классификация изображений
baseline.create('text_classification')         # Классификация текста
baseline.create('image_regression')            # Регрессия изображений
baseline.create('text_regression')             # Регрессия текста
baseline.create('image_semantic_segmentation') # Семантическая сегментация

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

from sefixlines import datasets

datasets.ImageClassificationDataset(paths, labels)                  # Классификация изображения
datasets.TextClassificationDataset(texts, labels)                   # Классификация текста
datasets.ImageRegressionDataset(paths, labels)                      # Регрессия изображения
datasets.TextRegressionDataset(texts, labels)                       # Регрессия текста
datasets.ImageSemanticSegmentationDataset(image_paths, mask_paths)  # Семантическая сегментация

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

from sefixlines import models

# Для классификации
model_wrapper = models.Classifier(model, "MyModel")
model_wrapper.fit(train_set, valid_set, num_epochs=3)

# Для регрессии
segmenter = models.Regressor(model, "MyRegressor")
segmenter.fit(train_set, valid_set, num_epochs=3)

# Для семантической сегментации
segmenter = models.SemanticSegmenter(model, "MySemanticSegmenter")
segmenter.fit(train_set, valid_set, num_epochs=3)

Лицензия

MIT. См. файл LICENSE.