github.com/kornia/kornia @v0.8.3 sqlite

The open-source and Computer Vision 2.0 library

---

English | 简体中文

Docs • Try it Now • Tutorials • Examples • Blog • Community

Kornia 是一款基于 PyTorch 的可微分的计算机视觉库。

它由一组用于解决通用计算机视觉问题的操作模块和可微分模块组成。其核心使用 PyTorch 作为主要后端，以提高效率并利用反向模式自动微分来定义和计算复杂函数的梯度。

概览

受现有开源库的启发，Kornia可以由包含各种可以嵌入神经网络的操作符组成，并可以训练模型来执行图像变换、对极几何、深度估计和低级图像处理，例如过滤和边缘检测。此外，整个库都可以直接对张量进行操作。

详细来说，Kornia 是一个包含以下组件的库：

Component	Description
kornia	具有强大 GPU 支持的可微计算机视觉库
kornia.augmentation	在 GPU 中执行数据增强的模块
kornia.color	执行色彩空间转换的模块
kornia.contrib	未进入稳定版本的实验性模块
kornia.enhance	执行归一化和像素强度变换的模块
kornia.feature	执行特征检测的模块
kornia.filters	执行图像滤波和边缘检测的模块
kornia.geometry	执行几何计算的模块，用于使用不同的相机模型执行图像变换、3D线性代数和转换
kornia.losses	损失函数模块
kornia.morphology	执行形态学操作的模块
kornia.utils	图像/张量常用工具以及metrics

支持我们

安装说明

通过 pip 安装:

bash pip install kornia

其他安装方法

#### 通过源码安装（软链接至当前路径）:

bash pip install -e .

#### 使用 Pixi 进行开发（推荐）

对于开发，Kornia 使用 pixi 进行快速的 Python 包管理和环境管理。项目包含一个 pixi.toml 配置文件用于可重现的依赖管理。

```bash # 安装 pixi（如果尚未安装） curl -fsSL https://pixi.sh/install.sh | bash

# 安装依赖并设置开发环境 pixi install

# 运行测试 pixi run test

# 用于 CUDA 开发 pixi run -e cuda install pixi run -e cuda test-cuda ```

这将设置一个包含所有依赖的完整开发环境。有关依赖管理和可用任务的更多详细信息，请参阅 CONTRIBUTING.md。

#### 通过源码安装（从GIT自动下载最新代码）:

bash pip install git+https://github.com/kornia/kornia

例子

可以尝试通过这些 教程 来学习和使用这个库。

:triangular_flag_on_post: Updates - :white_check_mark: 现已通过 Gradio 将Kornia集成进 Huggingface Spaces. 可以尝试 Gradio 在线Demo.

引用

如果您在与研究相关的文档中使用 Kornia，您可以引用我们的论文。更多信息可以在 CITATION 看到。

bibtex @inproceedings{eriba2019kornia, author = {E. Riba, D. Mishkin, D. Ponsa, E. Rublee and G. Bradski}, title = {Kornia: an Open Source Differentiable Computer Vision Library for PyTorch}, booktitle = {Winter Conference on Applications of Computer Vision}, year = {2020}, url = {https://arxiv.org/pdf/1910.02190.pdf} }

贡献

我们感谢所有的贡献者为改进和提升 Kornia 所作出的努力。您可以直接修复一个已知的BUG而无需进一步讨论；如果您想要添加一个任何新的或者扩展功能，请务必先通过提交一个Issue来与我们讨论。详情请阅读 贡献指南。开源项目的参与者请务必了解如下 规范。

AI 政策

Kornia 接受 AI 辅助的代码，但严格拒绝提交者仅作为代理的 AI 生成贡献。所有贡献者必须是每一行代码的唯一责任作者。在提交 pull request 之前，请查看我们的 AI 政策。主要要求包括：

• 验证证据：PR 必须包含本地测试日志以证明代码已执行
• 事前讨论：所有 PR 在实施前必须在 Discord 或通过 GitHub issue 进行讨论
• 库引用：实现必须基于现有库引用（PyTorch、OpenCV 等）
• 使用现有工具：使用现有的 kornia 工具，而不是重新发明轮子
• 解释能力：您必须能够解释您提交的任何代码

自动化 AI 审查工具（例如 GitHub Copilot）将根据这些政策检查 PR。完整详情请参阅 AI_POLICY.md。

社区

• 论坛: 讨论代码实现，学术研究等。GitHub Forums
• GitHub Issues: bug reports, feature requests, install issues, RFCs, thoughts, etc. OPEN
• Slack: 加入我们的Slack社区，与我们的核心贡献者保持联系。 JOIN HERE
• 常见信息请访问我们的网站 www.kornia.org

中文社区

扫描下方的二维码可关注 Kornia 的官方交流QQ群（679683070）以及Kornia知乎账号。

我们会在 Kornia 交流社区为大家

• 📢 更新 Kornia 的最新动态
• 📘 进行更高效的答疑解惑以及意见反馈
• 💻 提供与行业大牛的充分交流的平台