pip install icevision[all]

IceVision 快速上手指南

IceVision 是一个通用的计算机视觉框架，集成了来自 Torchvision、MMDetection、YOLOv5、EfficientDet 等库的数百个高质量预训练模型。它支持使用 PyTorch-Lightning 和 Fastai 进行端到端的深度学习工作流，涵盖数据清洗、探索性分析、数据增强及多任务训练（检测、分割、分类）。

环境准备

在开始之前，请确保满足以下系统要求：

• 操作系统：仅支持 Linux 或 macOS（暂不支持 Windows）。
• Python 版本：建议 Python 3.7+。
• 前置依赖：已安装 pip 包管理工具。

提示：国内开发者若遇到网络连接问题，建议在安装前配置国内镜像源（如清华源或阿里源）以加速下载。

安装步骤

1. 基础安装

运行以下命令安装包含所有核心依赖的完整版本：

pip install icevision[all]

2. 使用国内镜像加速（推荐）

如果直接安装速度较慢或失败，请使用以下命令通过清华镜像源安装：

pip install icevision[all] -i https://pypi.tuna.tsinghua.edu.cn/simple

更多详细的安装选项（如仅安装特定后端），请参阅官方文档：https://airctic.com/0.7.0/install/

基本使用

IceVision 的核心优势在于统一的接口。以下以训练经典的 Fridge Objects Dataset（冰箱物体检测数据集）为例，展示最简化的工作流程。

快速体验 (Google Colab)

您可以直接在浏览器中运行完整的示例 Notebook，无需本地配置环境：

本地代码示例逻辑

在本地环境中，典型的使用流程如下：

1. 导入模块：引入 icevision 及相关后端（如 mmdet 或 torchvision）。
2. 数据解析：使用内置解析器加载数据集（自动处理标注格式）。
3. 数据增强：应用预设的变换管道（Transforms）。
4. 模型构建：选择预训练模型并实例化。
5. 训练启动：调用训练器开始训练。

以下是概念性代码结构（具体类名需根据所选后端导入）：

from icevision.all import *

# 1. 解析数据 (以 COCO 格式为例)
parser = parsers.COCODatasetParser(...)
records = parser.parse()

# 2. 划分数据集
train_records, valid_records = split_ds(records)

# 3. 定义数据增强
tfms = tfms_from_model(model_type, image_size, aug_tfms=...)

# 4. 创建 DataLoaders
train_dl = model_type.train_dl(train_records, batch_size=8, num_workers=4, tfms=tfms)
valid_dl = model_type.valid_dl(valid_records, batch_size=8, num_workers=4, tfms=tfms)

# 5. 初始化模型
model = model_type.model(num_classes=len(parser.class_map))

# 6. 开始训练 (基于 PyTorch Lightning 或 Fastai)
trainer = pl.Trainer(max_epochs=10)
trainer.fit(model, train_dl, valid_dl)

祝您学习愉快！如需更多帮助，欢迎加入社区论坛交流。