Awesome GitHub RepositoriesData Wrangling

Albumentations is an image augmentation library and computer vision preprocessing tool designed to expand datasets for deep learning models. It provides a collection of transformations that modify pixel values and spatial geometry to increase the diversity of training samples and improve model generalization. The library supports both 2D image augmentation and 3D volumetric data augmentation. It handles a variety of labels alongside images, ensuring that bounding boxes, keypoints, and segmentation masks remain accurately aligned when spatial transformations are applied. The tool incorporates

imgaug is a Python library for machine learning data augmentation and computer vision dataset expansion. It provides tools to increase the volume and variety of training sets by applying random geometric, color, and noise transformations to images. The library ensures spatial consistency by synchronizing transformations across images and their associated annotations, such as bounding boxes, keypoints, and segmentation maps. It uses a compositional pipeline pattern to chain multiple augmentations into sequences and employs deterministic seed management to reproduce specific data samples. The

Augmentor este o bibliotecă și un framework Python de augmentare a imaginilor, conceput pentru a extinde seturile de date de machine learning. Funcționează ca un instrument de preprocesare care generează variații sintetice ale imaginilor pentru a crește diversitatea datelor și ca un streamer de date de antrenament care introduce imagini și etichete augmentate direct în buclele rețelelor neuronale, fără a necesita stocare intermediară pe disc. Framework-ul menține alinierea spațială între imagini și măștile corespunzătoare, ceea ce este necesar pentru antrenarea segmentării semantice. Suportă diverse transformări geometrice și la nivel de pixel, inclusiv distorsiuni elastice, schimbări de perspectivă prin înclinare și rotire, rotație, forfecare și ștergerea aleatorie a regiunilor. Sistemul include capabilități pentru strategii de procesare per-clasă pentru a aborda dezechilibrul datelor și utilizează multi-threading pentru a accelera generarea paralelă a seturilor de date augmentate. Oferă, de asemenea, utilitare pentru curățarea și standardizarea fișierelor imagine brute în etapa de preprocesare.

AugLy este o bibliotecă de augmentare a datelor multimodale și un augmentator de seturi de date pentru machine learning. Oferă un sistem pentru generarea de variații sintetice ale datelor de antrenament pe seturi de date audio, imagine, text și video pentru a crește diversitatea eșantioanelor și a îmbunătăți robustețea modelului. Biblioteca funcționează ca un simulator de zgomot multimedia, conceput special pentru a imita capturile reale ale utilizatorilor prin suprapunerea șabloanelor de social media și a artefactelor de internet peste media. Include un tracker de proveniență a datelor pentru a înregistra transformările specifice și nivelurile de intensitate aplicate fiecărei piese de date augmentate. Instrumentul acoperă o gamă largă de capabilități de expansiune a seturilor de date, inclusiv transformări lingvistice pentru text, transformări temporale și vizuale pentru video și transformări sonice pentru audio.

Official cleanlab repo is at https://github.com/cleanlab/cleanlab