Una biblioteca de Python para aumentar datos de audio, imagen, texto y video con más de 100 transformaciones, incluidas ediciones al estilo de las redes sociales para probar la robustez.
AugLy es una biblioteca de Python para aumentar datos en cuatro modalidades: audio, imagen, texto y video. Cada modalidad cuenta con su propia subbiblioteca, con más de 100 transformaciones en total. Las transformaciones están disponibles tanto como funciones como en forma de clases, junto con operadores de composición, y pueden devolver opcionalmente metadatos que describen la transformación aplicada y su intensidad.
Muchas transformaciones se inspiran en las acciones de los usuarios en plataformas de internet, como convertir una imagen en un meme, superponer texto o emojis en imágenes y videos, o volver a publicar una captura de pantalla de una red social. La biblioteca también incluye transformaciones más genéricas. Está pensada para entrenar modelos o medir su robustez en tareas como la detección de copias, la detección de discurso de odio y la detección de infracciones de derechos de autor, donde este tipo de contenido es habitual.
AugLy requiere Python 3.6 o posterior. Se instala con pip y cada subbiblioteca se puede instalar por separado mediante extras como augly[audio]. El proyecto también incluye recursos de emojis, fuentes y plantillas de capturas de pantalla para algunas transformaciones.
Instala el paquete completo de AugLy desde PyPI
pip install augly[all]O instala solo las dependencias de una subbiblioteca, como audio
pip install augly[audio]Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Biblioteca de visión artificial diferenciable basada en PyTorch, con procesamiento de imágenes, geometría, aumentación y operadores de correspondencia de características optimizados para GPU.
Una biblioteca de Python para procesar audio, con lectura y escritura de archivos, efectos integrados y compatibilidad con plugins VST3 y Audio Unit.
Biblioteca de Python para ejecutar, entrenar y evaluar modelos de IA del hub de modelos ModelScope mediante una interfaz unificada de pipeline y Trainer.
Framework para definir modelos de aprendizaje automático de última generación de texto, visión, audio y modalidades múltiples, para inferencia y entrenamiento.
Biblioteca de modelos preentrenados para Keras 3, con modelos de texto, imagen y audio compatibles con JAX, TensorFlow y PyTorch.
Colección de modelos de deep learning y ejemplos con el framework Burn para Rust, con aportes oficiales y de la comunidad.