Модель восстановления лиц на PyTorch: улучшает повреждённые, некачественные и старые фотографии с помощью трансформера, который подбирает признаки из кодовой книги.
Project-MONAI/MONAI
Открытый фреймворк на базе PyTorch для глубокого обучения на медицинских изображениях: предобработка, нейросети, функции потерь и метрики.
- Звёзды
- 8,786
- Форки
- 1,671
- Открытые issues
- 518
- Последний коммит
- 22 часа назад
Что это?
MONAI — фреймворк для глубокого обучения на базе PyTorch, предназначенный для работы с медицинскими изображениями. Он рассчитан на исследователей и врачей, которым нужно создавать сквозные процессы обучения на многомерных медицинских изображениях, например 2D- и 3D-снимках, не собирая все компоненты с нуля.
Фреймворк предоставляет гибкие средства предобработки медицинских изображений, а также специализированные для этой области нейросети, функции потерь и метрики оценки. API MONAI построены по модульному принципу и рассчитаны на переносимость, поэтому компоненты можно подключать к существующему коду обучения на PyTorch. Также поддерживается параллельная обработка данных на нескольких GPU и узлах.
MONAI распространяется через PyPI, conda-forge и Docker Hub и включает формат Bundle для упаковки и обмена моделями. Учебные материалы и примеры ноутбуков поддерживаются в отдельном репозитории.
Ключевые возможности
- 01Гибкая предобработка многомерных медицинских изображений
- 02Специализированные нейросети, функции потерь и метрики оценки
- 03Модульный и переносимый API для интеграции в существующие процессы обучения на PyTorch
- 04Поддержка параллельной обработки данных на нескольких GPU и узлах
- 05Формат MONAI Bundle для упаковки моделей и обмена ими
Сценарии использования
- Обучение моделей сегментации или классификации на томограммах КТ или МРТ
- Добавление специализированных для медицинской области функций потерь и метрик в существующий процесс обучения на PyTorch
- Масштабирование обучения моделей на несколько GPU или узлов
- Повторное использование и распространение предварительно обученных моделей в формате Bundle
Темы
Частые вопросы
- Что такое MONAI?
- Открытый фреймворк на базе PyTorch для глубокого обучения на медицинских изображениях: предобработка, нейросети, функции потерь и метрики. MONAI — фреймворк для глубокого обучения на базе PyTorch, предназначенный для работы с медицинскими изображениями. Он рассчитан на исследователей и врачей, которым нужно создавать сквозные процессы обучения на многомерных медицинских изображениях, например 2D- и 3D-снимках, не собирая все компоненты с нуля.
- MONAI можно использовать бесплатно? Какая у него лицензия?
- MONAI распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- MONAI всё ещё поддерживается?
- Активно поддерживается. Последний коммит в MONAI — 17 окт. 2026 г..
- Для чего можно использовать MONAI?
- Обучение моделей сегментации или классификации на томограммах КТ или МРТ Добавление специализированных для медицинской области функций потерь и метрик в существующий процесс обучения на PyTorch Масштабирование обучения моделей на несколько GPU или узлов Повторное использование и распространение предварительно обученных моделей в формате Bundle
- Где скачать MONAI?
- Исходный код и инструкции по установке — на GitHub: https://github.com/Project-MONAI/MONAI
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Инструмент и библиотека на Python для удаления фона с изображений: доступны CLI, библиотека, HTTP-сервер и Docker-контейнер.
Инструментарий с открытым исходным кодом от Unity, который позволяет обучать AI-агентов с помощью обучения с подкреплением и имитационного обучения в игровых и симуляционных средах.
Графический интерфейс на основе узлов, API и бэкенд для локального запуска diffusion-моделей, генерирующих изображения, видео, аудио и 3D-контент.
Подборка стартовых проектов, которые показывают, как создавать готовые к развёртыванию приложения на Claude API: от агентов поддержки до агентов для работы с браузером и компьютером.
Открытые генеративные модели для создания видео по тексту, изображениям, речи и движениям персонажей; доступны MoE-модели и разрешение 720P.