Kornia 是一个可微分的计算机视觉库，提供丰富的可微图像处理和几何视觉算法。Kornia 构建在 PyTorch 之上，能够无缝集成到现有的 AI 工作流中，使您能够充分利用强大的 批量变换, 自动微分 和 GPU 加速。无论您是在进行图像变换、数据增强，还是开发基于 AI 的图像处理应用，Kornia 都能为您提供实现创意所需的工具。

📢 公告: Kornia 正在向端到端视觉模型方向转型。我们正专注于整合最先进的视觉语言模型（VLM）和视觉语言代理（VLA），以提供全面的端到端视觉解决方案。

核心组件

1. 可微分图像处理
   Kornia 提供了一整套图像处理算子，全部支持梯度计算，可直接集成到深度学习流水线中。
   • 滤波器: 高斯滤波、Sobel 滤波、中值滤波、方框模糊等。
   • 变换: 仿射变换、单应性变换、透视变换等。
   • 增强: 直方图均衡化、CLAHE、伽马校正等。
   • 边缘检测: Canny、拉普拉斯、Sobel 等。
   • … 更多内容请查看我们的 文档。
2. 高级数据增强
   使用 Kornia 内置的功能执行强大的数据增强操作，非常适合构建复杂的增强流水线来训练 AI 模型。
   • 增强流水线: AugmentationSequential、PatchSequential、VideoSequential 等。
   • 自动增强: AutoAugment、RandAugment、TrivialAugment。
3. AI 模型
   利用 Kornia 生态系统中针对各类视觉任务优化的预训练 AI 模型。
   • 人脸检测: YuNet
   • 特征匹配: LoFTR、LightGlue
   • 特征描述符: DISK、DeDoDe、SOLD2
   • 分割: SAM
   • 分类: MobileViT、VisionTransformer。

半精度支持

✅ 支持   ⚠️ 部分支持   ❌ 不支持

测试结果（提交 6131e98, 2026-03-21）：

详情请参阅完整精度指南。

赞助

Kornia是一个由志愿者开发和维护的开源项目。无论您是将其用于研究还是商业用途，都欢迎考虑赞助或与我们合作。您的支持将有助于确保Kornia的成长和持续创新。立即联系我们，共同塑造这一激动人心项目的未来！

安装

通过pip安装

pip install kornia

pip install -e .

# 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

# 对于CUDA开发
pixi run -e cuda install
pixi run -e cuda test-cuda

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

快速开始

Kornia不仅仅是一个计算机视觉库——它是您轻松进入计算机视觉和人工智能领域的门户。

import numpy as np
import kornia_rs as kr

from kornia.augmentation import AugmentationSequential, RandomAffine, RandomBrightness
from kornia.filters import StableDiffusionDissolving

# 加载并准备您的图像
img: np.ndarray = kr.read_image_any("img.jpeg")
img = kr.resize(img, (256, 256), interpolation="bilinear")

# 或者，使用PIL加载图像
# img = Image.open("img.jpeg").resize((256, 256))
# img = np.array(img)

img = np.stack([img] * 2)  # 批量处理图像

# 定义增强流水线
augmentation_pipeline = AugmentationSequential(
    RandomAffine((-45., 45.), p=1.),
    RandomBrightness((0.,1.), p=1.)
)

# 利用StableDiffusion模型
dslv_op = StableDiffusionDissolving()

img = augmentation_pipeline(img)
dslv_op(img, step_number=500)

dslv_op.save("Kornia-enhanced.jpg")

import numpy as np
from kornia.onnx import ONNXSequential
# 将HuggingFace仓库中的ONNX模型和您自己的本地模型串联起来
onnx_seq = ONNXSequential(
    "hf://operators/kornia.geometry.transform.flips.Hflip",
    "hf://models/kornia.models.detection.rtdetr_r18vd_640x640",  # 或者您可以使用“YOUR_OWN_MODEL.onnx”
)
# 准备一些输入数据
input_data = np.random.randn(1, 3, 384, 512).astype(np.float32)
# 进行推理
outputs = onnx_seq(input_data)
# 打印模型输出
print(outputs)

# 导出一个新的ONNX模型，将所有三个模型串联起来！
onnx_seq.export("chained_model.onnx")

多框架支持

现在您可以将Kornia与TensorFlow、JAX和NumPy一起使用。更多详情请参阅多框架支持。

import kornia
tf_kornia = kornia.to_tensorflow()

由

欢迎贡献者

你是否对计算机视觉、人工智能和开源开发充满热情？加入我们，共同塑造 Kornia 的未来吧！我们正在积极寻找贡献者，帮助扩展和增强我们的库，使其功能更强大、更易用、更具通用性。无论你是经验丰富的开发者还是刚刚入门的新手，我们的社区都欢迎你的加入。

易于使用的 AI 模型

我们很高兴宣布一项最新进展：一项旨在将轻量级 AI 模型无缝集成到 Kornia 中的新计划。我们的目标是让任何模型都能像 StableDiffusion 等大型模型一样流畅运行，并从多方面提供良好支持。

优先方向：VLM/VLA 模型

我们的首要任务是集成 视觉语言模型（VLM） 和 视觉语言代理（VLA），以实现端到端的视觉解决方案。我们诚挚地邀请各位贡献者协助我们：

• VLM/VLA 集成（优先）：实现并集成最先进的视觉语言模型和视觉语言代理。这包括 Qwen2.5-VL、SAM-3 以及其他前沿的 VLM/VLA 架构。如果你正在研究 VLM/VLA 模型，Kornia 将是你推广自己成果的理想平台！
• 扩展模型选择：将优秀的模型引入我们的库中。作为研究人员，Kornia 是展示你工作的绝佳场所！
• 模型优化：致力于在保持精度和性能的同时，降低模型的计算开销。你可以从提供 ONNX 支持开始！
• 模型文档：编写详细的指南和示例，帮助用户在项目中充分利用这些模型。

文档与教程优化

Kornia 的核心在于其丰富的经典计算机视觉算子集合，为图像处理、特征提取和几何变换提供了强大的工具。我们持续寻找贡献者，帮助我们改进文档并为用户提供优质的教程。

引用

如果你在研究相关文档中使用了 Kornia，建议引用我们的论文。更多信息请参阅 CITATION。

@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}
}

如何贡献

我们非常感谢每一位贡献者的付出。如果你计划提交 bug 修复，请直接操作，无需额外讨论。若要贡献新功能、实用工具或扩展，请先创建议题并与我们讨论后再进行开发。请务必阅读 CONTRIBUTING 文档。参与本开源项目需遵守 Code of Conduct。

AI 政策

Kornia 接受由 AI 辅助编写的代码，但严格禁止以代理人身份提交完全由 AI 生成的内容。所有贡献者必须对每一行代码承担 唯一责任。请在提交 Pull Request 之前仔细阅读我们的 AI Policy。主要要求如下：

• 验证证明：PR 必须包含本地测试日志，以证明代码已成功执行。
• 事前讨论：所有 PR 在实施前都必须在 Discord 或通过 GitHub 议题进行讨论。
• 基于现有库：实现必须基于现有的库参考（如 PyTorch、OpenCV 等）。
• 利用现有工具：应优先使用现有的 kornia 工具，而非重复造轮子。
• 解释说明：你必须能够解释自己提交的任何代码。

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

• Discord：加入我们的工作空间，与核心贡献者保持联系，获取行业最新动态，并成为社区的一员。点击加入
• GitHub Issues：用于报告 bug、提出功能请求、解决安装问题、RFC、分享想法等。立即打开
• 论坛：讨论实现细节、研究成果等。GitHub 论坛

由 contrib.rocks 制作。

许可证

Kornia 采用 Apache 2.0 许可证发布。更多信息请参阅 LICENSE 文件。

Kornia 快速上手指南

环境准备

系统要求

• 操作系统：Windows、Linux 或 macOS
• Python 版本：3.8 - 3.12（推荐使用 Python 3.10）
• PyTorch 版本：1.13.1 或更高版本（Kornia 支持 PyTorch 2.0.0+）

前置依赖

• Python 环境（建议使用 Miniconda 或 Pyenv 管理）
• pip（Python 包管理工具）

推荐使用国内镜像源加速安装，例如：

pip install --index-url https://pypi.tuna.tsinghua.edu.cn/simple kornia

安装步骤

通过 pip 安装

pip install kornia

如果需要使用 GPU 加速，确保已安装与 PyTorch 版本匹配的 CUDA 工具包。

从源码安装（可选）

git clone https://github.com/kornia/kornia.git
cd kornia
pip install -e .

开发环境（推荐使用 Pixi）

curl -fsSL https://pixi.sh/install.sh | bash
pixi install

基本使用

以下是一个最简单的 Kornia 使用示例，展示如何加载图像并进行基本的图像处理：

import torch
import kornia

# 加载图像（假设是 3xHxW 的 Tensor）
image = torch.rand(1, 3, 256, 256)

# 将图像转换为灰度图
gray_image = kornia.color.rgb_to_grayscale(image)

# 显示结果
print(gray_image.shape)

此示例展示了如何使用 Kornia 进行图像颜色空间转换。你可以参考官方文档和教程进一步探索更多功能。