- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
Kornia开源可微分计算机视觉库，基于Pytorch，GitHub 3000星
因此，Kornia 便应运而生。 ? 论文链接：https://arxiv.org/pdf/2009.10521.pdf 项目链接：https://github.com/kornia/kornia 文档链接：https://kornia.readthedocs.io 1.Kornia 可微计算机视觉 为了解决不同计算机视觉领域的问题，比如颜色转换、底层图像处理、图像几何变换、特征检测等，Kornia 设计了如下图的模块。 ? 详细代码可以参考 https://github.com/kornia/kornia-examples/blob/master/homography.ipynb 2.Kornia 可微数据增广 深度学习中最常用的优化方法便是基于梯度的优化 尤其在训练中，如果你的 CPU 已经开始超负荷运行了，那么 Kornia 将会更大地提升你的训练速度与 GPU 利用率。 ? 同时， Kornia 的数据增广方法也可以轻松地通过梯度来进行优化。
82610发布于 2020-11-05 - 来自专栏深度学习和计算机视觉
可微分的「OpenCV」：这是基于PyTorch的可微计算机视觉库
你需要 Kornia 这个开源可微的计算机视觉库。 在这个项目中，开发者提出了一种新型开源可微分计算机视觉库 Kornia，并且它建立在 PyTorch 之上。 Kornia 包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。 在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。如下所示为 Kornia 可微分处理的一个示例： ? 从比较高的层次上来说，Kornia 库主要包含以下组件： ? 使用入门 Kornia 使用起来非常简单，它的 API 就可以直接当做算子进行操作，更多的 API 文档或教程可以查阅使用指南。 文档地址：https://kornia.readthedocs.io/en/latest/ import torch import kornia x_rad = kornia.pi * torch.rand
76440发布于 2019-10-14 - 来自专栏贾志刚-OpenCV学堂
可微分的「OpenCV」：这是基于PyTorch的可微计算机视觉库
在这个项目中，开发者提出了一种新型开源可微分计算机视觉库 Kornia，并且它建立在 PyTorch 之上。 Kornia 包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。 在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。如下所示为 Kornia 可微分处理的一个示例： ? 从比较高的层次上来说，Kornia 库主要包含以下组件： ? 使用入门 Kornia 使用起来非常简单，它的 API 就可以直接当做算子进行操作，更多的 API 文档或教程可以查阅使用指南。 文档地址：https://kornia.readthedocs.io/en/latest/ import torch import kornia x_rad = kornia.pi * torch.rand (1, 3, 3) x_deg = kornia.rad2deg(x_rad) # True torch.allclose(x_rad, kornia.deg2rad(x_deg)) 使用案例 项目还提供了很多
93430发布于 2019-10-11 - 来自专栏3D视觉从入门到精通
Kornia开源可微分计算机视觉库，基于Pytorch，GitHub 3000星
因此，Kornia 便应运而生。 ? 论文链接：https://arxiv.org/pdf/2009.10521.pdf 项目链接：https://github.com/kornia/kornia 文档链接：https://kornia.readthedocs.io 1.Kornia 可微计算机视觉 为了解决不同计算机视觉领域的问题，比如颜色转换、底层图像处理、图像几何变换、特征检测等，Kornia 设计了如下图的模块。 ? 详细代码可以参考 https://github.com/kornia/kornia-examples/blob/master/homography.ipynb 2.Kornia 可微数据增广 深度学习中最常用的优化方法便是基于梯度的优化 尤其在训练中，如果你的 CPU 已经开始超负荷运行了，那么 Kornia 将会更大地提升你的训练速度与 GPU 利用率。 ? 同时， Kornia 的数据增广方法也可以轻松地通过梯度来进行优化。
69610发布于 2020-11-11 - 来自专栏机器之心
可微分的「OpenCV」：这是基于PyTorch的可微计算机视觉库
你需要 Kornia 这个开源可微的计算机视觉库。 在这个项目中，开发者提出了一种新型开源可微分计算机视觉库 Kornia，并且它建立在 PyTorch 之上。 Kornia 包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。 在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。如下所示为 Kornia 可微分处理的一个示例： ? 从比较高的层次上来说，Kornia 库主要包含以下组件： ? 使用入门 Kornia 使用起来非常简单，它的 API 就可以直接当做算子进行操作，更多的 API 文档或教程可以查阅使用指南。 文档地址：https://kornia.readthedocs.io/en/latest/ import torch import kornia x_rad = kornia.pi * torch.rand
65420发布于 2019-10-08 - 来自专栏机器视觉CV
可微分的「OpenCV」：这是基于PyTorch的可微计算机视觉库
你需要 Kornia 这个开源可微的计算机视觉库。 在这个项目中，开发者提出了一种新型开源可微分计算机视觉库 Kornia，并且它建立在 PyTorch 之上。 Kornia 包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。 在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。如下所示为 Kornia 可微分处理的一个示例： ? 从比较高的层次上来说，Kornia 库主要包含以下组件： ? 使用入门 Kornia 使用起来非常简单，它的 API 就可以直接当做算子进行操作，更多的 API 文档或教程可以查阅使用指南。 文档地址：https://kornia.readthedocs.io/en/latest/ import torch import kornia x_rad = kornia.pi * torch.rand
80830发布于 2019-10-11 - 来自专栏HelloGitHub
GitHub 热点速览 Vol.11：回暖的 GitHub 迎来上千星的图片流项目
权限控制采用 RBAC，支持数据字典与数据权限管理，支持一键生成前后端代码，支持动态路由 GitHub 地址 →https://github.com/elunez/eladmin 2.6 计算机视觉库：Kornia 本周 star 增长数：200+ Kornia 是一个基于 PyTorch 的可微分计算机视觉库，它包含了一组例程和可微分模块，并致力于解决通用计算机视觉问题。 在 Kornia 的核心代码中，它使用 PyTorch 作为主要后端，并高效地利用反向模式自动微分机制来定义并计算复杂函数的梯度。 GitHub 地址 →https://github.com/kornia/kornia 2.7 自动生成字幕：video-srt-windows 本周 star 增长数：50+ video-srt-windows
86730发布于 2021-05-14 告别等待！十条高效PyTorch数据增强流水线，让你的GPU不再"饥饿"
...小改动，大提升：简单几行代码就能显著降低CPU开销GPU端增强：用Kornia释放GPU潜力让昂贵的显卡物尽其用Kornia在CUDA上执行可微的随机增强，CPU只负责解码：import torch , torch.nn as nnimport kornia.augmentation as Kdevice = "cuda"gpu_augs = nn.Sequential( K.RandomHorizontalFlip ↓[CPU解码 (或DALI GPU解码)] |____________ | | ↓ ↓[v2/Albumentations] [Kornia 使用分片归档，避免海量小文件工作进程：从CPU核心数开始，根据实际情况调整内存优化：pin_memory=True + prefetch_factor≥2批量操作：优先选择支持批量处理的变换GPU卸载：用Kornia
26410编辑于 2025-10-10- 来自专栏NewBeeNLP
NLP简报（Issue#7）
3.2 PyTorch的计算机视觉库 Kornia[15] 是建立在PyTorch之上的开源库，它使研究人员可以使用一组运算符来使用PyTorch执行不同的计算机视觉。 linkId=83996111 [14] nlp_paper_summaries库: https://github.com/dair-ai/nlp_paper_summaries [15] Kornia : https://github.com/kornia/kornia [16] DIET（Dual Intent and Entity Transformer）: https://blog.rasa.com
1.1K10发布于 2020-08-26 - 来自专栏机器视觉全栈er
python入门与实战-python介绍
python的生态十分强大，不仅有强大的内置库，还有各种各样的第三方库（伸手党的福利 :p），如 • 视觉相关：OpenCV、Face Recognition、EasyOCR、Open3D、kornia
60020编辑于 2022-07-04 - 来自专栏机器之心
PyTorch宣布支持苹果M1芯片GPU加速：训练快6倍，推理提升21倍
对于一些自定义代码（比如 kornia），可能无法正常工作。
2.2K30编辑于 2022-05-20 - 来自专栏机器学习算法与Python学习
性能提升21倍！PyTorch加持Mac M1 GPU训练
对于一些自定义代码（比如 kornia），可能无法正常工作。
4.2K20编辑于 2022-05-23 - 来自专栏刘悦的技术博客
登峰造极,师出造化,Pytorch人工智能AI图像增强框架ControlNet绘画实践,基于Python3.10
streamlit==1.12.1 - einops==0.3.0 - transformers==4.19.2 - webdataset==0.2.5 - kornia omegaconf==2.1.1 test-tube>=0.7.5 streamlit==1.12.1 einops==0.3.0 transformers==4.19.2 webdataset==0.2.5 kornia
1.3K30编辑于 2023-03-01 - 来自专栏3D视觉从入门到精通
CVPR2021 图像匹配挑战赛，双赛道冠亚军方案
IMW2021是Google和University of British Columbia（UBC）联合举办的Workshop比赛，吸引了包括旷视，商汤，EPFL，KORNIA，华中科大和OPPO等公司
90330发布于 2021-07-27 - 来自专栏腾讯云TI平台
AI Talk | 商场巡检机器人解决方案
为了能提升跟踪和映射的准确率，我们还自研了图像匹配算法SS-Fusing，该算法在CVPR2021举办的图像匹配比赛(IMW2021)中获得了双赛道的冠亚军，本次比赛吸引了包括旷视，商汤，EPFL，KORNIA
1.2K30发布于 2021-10-26 - 来自专栏腾讯云TI平台
AI Talk | 商场巡检机器人解决方案
为了能提升跟踪和映射的准确率，我们还自研了图像匹配算法SS-Fusing，该算法在CVPR2021举办的图像匹配比赛(IMW2021)中获得了双赛道的冠亚军，本次比赛吸引了包括旷视，商汤，EPFL，KORNIA
1.1K40编辑于 2022-01-27 - 来自专栏网络虚拟化
如何在win 10 上本地部署Stable Diffusion的方法介绍
>=0.73.1 einops==0.3.0 transformers==4.19.2 webdataset==0.2.5 open-clip-torch==2.7.0 gradio==3.13.2 kornia
1.1K10编辑于 2024-11-14 - 来自专栏又见苍岚
异常检测 DDAD
.+ kornia 0.6.12 matplotlib 3.7.1 numpy 1.24.3 omegaconf 2.1.2 opencv-python-headless 4.5.5.64
2.5K10编辑于 2024-01-11 训练每隔几步就“卡半天”？PyTorch DataLoader 阻塞与吞吐骤降的三连坑：num_workers/预取与持久进程、pin_memory/非阻塞搬运
图片解码尽量换到更快库（turbojpeg）、把随机几何增强换到 GPU（kornia/自写 CUDA kernel）、合并小文件（WebDataset/LMDB），或使用 DALI/ffcv 等高性能输入管线
50210编辑于 2025-12-26- 来自专栏论文精读
【论文精读 | Beyond Spatial Frequency: Pixel-wise Temporal Frequency-based Deepfake 】
由于每个值都是实值，作者忽略了幅度谱的对称部分，为此，得到的时间频谱为（\frac{T}{2} \times H \times W ）import torchimport numpy as npfrom kornia.filters
82521编辑于 2025-07-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号