Monk - 适合所有人的计算机视觉工具包

为什么使用 Monk

• 问题：想开始学习计算机视觉

  • 解决方案：从 Monk 的实践型学习路线图教程入手

• 问题：有多种库，因此需要学习多种语法

  • 解决方案：Monk 提供一套统一的语法，适用于 PyTorch、Keras、MXNet 等多种框架

• 问题：参加深度学习竞赛时，难以跟踪所有的实验项目

  • 解决方案：使用 Monk 的项目管理功能，同时进行多个原型实验

• 问题：训练分类器时，很难确定超参数

  • 解决方案：尝试使用超参数分析工具来找到合适的配置

• 问题：正在寻找一个可以为客户快速构建解决方案的库

  • 解决方案：使用 Monk 的低代码语法进行训练、推理和部署

构建真实的图像分类应用

医疗领域	时尚领域	自动驾驶领域
农业领域	野生动物领域	零售领域
卫星领域	healthcare 领域	活动分析领域

...... 更多内容请查看 应用模型动物园!!!!

Monk 如何让图像分类变得简单

• 编写更少的代码即可创建端到端的应用程序。
• 只需学习一种语法，就能使用任何深度学习框架（PyTorch、MXNet、Keras、TensorFlow 等）创建应用程序。
• 轻松管理整个项目，并支持多组实验。

该库适用于哪些人群

• 学生
  • 通过我们全面的学习路线图无缝学习计算机视觉
• 研究人员和开发者
  • 创建并管理多个深度学习项目
• 竞赛参与者（Kaggle、Codalab、Hackerearth、AiCrowd 等）
  • 加速原型设计过程，从而获得更高的排名

目录

• 示例展示
• 安装
• 学习路线图、示例和教程
• 文档
• 待办事项

示例展示 - 快速模式

创建一个图像分类器。

#创建一个实验
ptf.Prototype("sample-project-1", "sample-experiment-1")

#加载数据
ptf.Default(dataset_path="sample_dataset/", 
             model_name="resnet18", 
             num_epochs=2)
# 训练
ptf.Train()

推理

predictions = ptf.Infer(img_name="sample.png", return_raw=True);

比较实验

#创建比较项目
ctf.Comparison("Sample-Comparison-1");

#添加所有实验
ctf.Add_Experiment("sample-project-1", "sample-experiment-1");
ctf.Add_Experiment("sample-project-1", "sample-experiment-2");
   
#生成统计信息
ctf.Generate_Statistics();

安装

• CUDA 9.0          : pip install -U monk-cuda90
• CUDA 9.0          : pip install -U monk-cuda92
• CUDA 10.0        : pip install -U monk-cuda100
• CUDA 10.1        : pip install -U monk-cuda101
• CUDA 10.2        : pip install -U monk-cuda102
• CPU (+Mac-OS) : pip install -U monk-cpu
• Google Colab   : pip install -U monk-colab
• Kaggle              : pip install -U monk-kaggle

更多安装说明请访问：链接

学习路线图

• 入门 Monk
  • 包含使用 Monk 所有功能的必备笔记本
• 图像处理与深度学习
  • 学习图像处理和深度学习的基础及进阶概念
• 迁移学习
  • 理解人工智能领域的迁移学习
• 图像分类动物园
  • 包含50多个真实世界图像分类案例的列表

文档

• 可用模型、层、块、优化器列表

• 功能文档（即将与最新文档合并）

  • 主原型函数
    • Mxnet 后端
    • Pytorch 后端
    • Keras 后端
    • 比较
  • 系统函数
  • Mxnet 后端基础函数
  • Pytorch 后端基础函数
  • Keras 后端基础函数

• 特性与功能（开发中）：

  • 简介
  • 设置
  • 快速模式
  • 更新模式
  • 专家模式
  • 超参数分析器
  • 实验比较
  • 恢复训练

• 完整最新文档（正在进行中）

2020 年待办事项

功能

• 模型可视化
• 预处理数据可视化
• 学习特征可视化
• 多维数据输入——npy、hdf5、dicom、tiff
• 多标签图像分类
• 自定义模型开发

通用

• 功能文档
• 解决多个版本的库问题
• 添加单元测试
• 贡献指南
• Python pip 打包支持

后端支持

• 在 v1 中提供对 Tensorflow 2.0 的支持
• 完全支持 Tensorflow 2.0
• Chainer

外部库

• TensorRT 加速
• Intel 加速
• Echo AI——用于激活函数

与项目贡献者联系

版权

版权所有 © 2019 年至今，Tessellate Imaging Private Limited。本项目根据 Apache License, Version 2.0（“许可证”）授权；除非符合许可证规定，否则不得使用本项目的文件。许可证副本已在此仓库的 LICENSE 文件中提供。

Monk v1 快速上手指南

Monk 是一个面向所有人的计算机视觉工具包，旨在通过统一的语法简化深度学习流程。它支持 PyTorch、Keras、MXNet、TensorFlow 等多种后端，让用户只需学习一套代码即可构建端到端的图像分类应用。

1. 环境准备

在开始之前，请确保您的开发环境满足以下基本要求：

• 操作系统: Linux, Windows, 或 macOS
• Python: 建议 Python 3.6 及以上版本
• 硬件加速 (可选):
  • 若使用 GPU 训练，需安装对应版本的 CUDA (支持 9.0, 9.2, 10.0, 10.1, 10.2)
  • 若仅使用 CPU 或在 Mac 上运行，无需安装 CUDA
• 前置依赖: 建议先更新 pip 到最新版本

注意：Monk 针对不同环境提供了独立的安装包，请根据您的实际硬件配置选择下方的安装命令。国内用户若遇到下载缓慢问题，建议在命令后添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华镜像源。

2. 安装步骤

根据您的运行环境，执行以下对应的安装命令：

GPU 环境 (CUDA)

# CUDA 9.0
pip install -U monk-cuda90

# CUDA 9.2
pip install -U monk-cuda92

# CUDA 10.0
pip install -U monk-cuda100

# CUDA 10.1
pip install -U monk-cuda101

# CUDA 10.2
pip install -U monk-cuda102

CPU 环境 / macOS

pip install -U monk-cpu

云平台环境

# Google Colab
pip install -U monk-colab

# Kaggle Kernels
pip install -U monk-kaggle

3. 基本使用

Monk 的核心优势在于“低代码”和“统一语法”。以下是最简单的图像分类工作流示例（快速模式），涵盖创建实验、加载数据、训练模型及推理预测。

第一步：创建并训练模型

from monk.pytorch_prototype import prototype as ptf

# 1. 创建实验 (项目名称，实验名称)
ptf.Prototype("sample-project-1", "sample-experiment-1")

# 2. 加载数据与配置模型
# 指定数据集路径、模型名称 (如 resnet18) 和训练轮数
ptf.Default(dataset_path="sample_dataset/", 
             model_name="resnet18", 
             num_epochs=2)

# 3. 开始训练
ptf.Train()

第二步：模型推理 (预测)

训练完成后，使用以下代码对单张图片进行预测：

# 返回原始预测结果
predictions = ptf.Infer(img_name="sample.png", return_raw=True);

第三步：对比实验 (可选)

如果您进行了多次实验，可以使用以下代码生成统计对比报告：

from monk.compare_prototype import compare as ctf

# 创建对比项目
ctf.Comparison("Sample-Comparison-1");

# 添加需要对比的实验
ctf.Add_Experiment("sample-project-1", "sample-experiment-1");
ctf.Add_Experiment("sample-project-1", "sample-experiment-2");
   
# 生成统计数据
ctf.Generate_Statistics();

---

更多高级功能（如超参数分析、迁移学习路线图）请参考官方文档及 Study Roadmaps。