pandasのDataFrameを元に、画像入りの表をつくる - Qiita
概要 機械学習をしていると、データの可視化をしたいことが多く、ときたま画像も入った表を出したくなることがある。 （↓例えばこんなの。画像認識したときのネコである判定スコアとか。） データ可視化はExcelとか、pandasとか使うことが多いが、数値や文字列程度ならいいものの、画像の入った表はパパっと作る方法がすぐには思いつかなかったりする。 今回はpandasのDataFrameを元データとして、画像入りの表をできるだけ簡単に作る方法を検討したので、メモしておく。 今回メモする方法は下記3つ。 1. DataFrame.to_html() を使ってHTMLにする 2. DataFrame.to_dict() とjinja2を使ってHTMLにする 3. DataFrame.to_excel() を使って作ったExcelファイルにopenpyxlで画像を入れる 1. DataFrame.to_
IIIF Curation Finder | ROIS-DS人文学オープンデータ共同利用センター(CODH)
“IIIF Curation Finder”は、IIIF Curation Viewerなどで作成したキュレーションを検索する、IIIF (International Image Interoperability Framework)準拠の画像検索ツールである。 ファセット表示機能、キュレーション検索機能、キュレーション内キャンバス一覧機能、キャンバス検索機能、キャンバス詳細表示機能、検索結果を再編集した新規キュレーションの作成機能を提供する。 目次 動作デモ／活用例 使い方 トップ画面 検索結果（キュレーションのリスト）画面 キュレーション内キャンバス一覧画面 検索結果（キャンバスのリスト）画面 キャンバス詳細表示画面 キュレーションエクスポート画面 設置時の設定 設定例 プラグイン ライセンス 動作デモ／活用例 顔貌コレクション 江戸買物案内 江戸観光案内 使い方 トップ画面 検索バー
世界各地の高精細画像で簡単に自分の仮想コレクションを！（IIIF Curation Viewer） - digitalnagasakiのブログ
いよいよ、出ました。 IIIF Curation Viewer | 人文学オープンデータ共同利用センター の重要なアップデートです。 一言で言うなら、 「世界各地の高精細画像で簡単に自分の仮想コレクションを作れるようになりました」 これは、IIIFが目指す世界における重要なマイルストーンの一つなのですが、それが、とてもスマートなインターフェイスで実現されたということに、感動しているところです。 すでに、公式サイトにもいくつかデモがありますが、私もさっそくやってみました。というより、やってみた結果、そのインターフェイスのスマートさに感動しているところです。 作ってみたものは、特にスマートでもなんでもないのですが、魚の顔を少し集めてみました。国会図書館と国文学研究資料館から。つまり、複数の別々の機関のサイトから公開されている画像が、このようにして、一つのビューワ上で一元的に操作できて、その成果
Explore your research photos
Built for today’s archival research Take control of your research photos with Tropy, a tool that shortens the path from finding archival sources to writing about them. Spend more time using your research photos, and less time hunting for them. Turn photos into items Tropy thinks the way you do: like a researcher. Say goodbye to IMG_5261.JPG and IMG_5262.JPG, and say hello to your sources. Describe
GitHub - karolzak/ipyplot: IPyPlot is a small python package offering fast and efficient plotting of images inside Python Notebooks. It's using IPython with HTML for faster, richer and more interactive way of displaying big numbers of images.
Share: IPyPlot is a small python package offering fast and efficient plotting of images inside Python Notebooks cells. It's using IPython with HTML for faster, richer and more interactive way of displaying big numbers of images. Displaying big numbers of images with Python in Notebooks always was a big pain for me as I always used matplotlib for that task and never have I even considered if it can
画像から検索できるようになりました - WEAR
画像検索を試そう！SNSや雑誌で見つけた 気になるアイテムや、 言葉で検索するのが難しいアイテムは 画像検索で検索しよう！
軽量Dockerイメージに安易にAlpineを使うのはやめたほうがいいという話 - inductor's blog
はじめに やめろ、ではなく、やめたほうがいい。です。自分のユースケースに合ってるか今一度確認することを推奨します。基本的にはAlpineは避けたほうが良い、というのが2021年時点での私の認識です。 なんで？ libcに一般的な互換性が不足しているからです。Ruby、Python、Node.jsなどでNativeモジュールをバンドルしているアプリケーションの場合、パフォーマンスの劣化や互換性の問題にぶち当たる場合があります。 superuser.com あとは他のベースイメージの軽量化もそれなりに進んできていて、Alpineが定番軽量イメージと言う認識は2018年頃には消えつつあったかなという認識でいます。 どうすりゃええねん ※Debian Slimがあるやんってツッコミ結構もらったんですが、Slimは当たり前過ぎてもう紹介しなくていいかなっていう甘えで省略していました。よろしくおねがい
CI での Docker Build のベストプラクティスを考えてみた
要約 Docker in Docker な CI では、以下の Docker Build をオススメします。 スクリプト Buildx を使う Buildx を使えないならば、BuildKit + –cache-fromオプションを使う Dockerfile ステージ間の依存を弱くする(依存インストールとビルドを分ける) 中間イメージも軽量化する 不要なキャッシュを削除 ファイル変更差分によりますが、これらにより最大 1/3 へビルド時間を短縮しました。 はじめに 『ホットペッパービューティー』美容クリニックのカウンセリング予約サービスのバックエンドを担当している安達です。 新卒として 4 月に入社して、5 月中旬に美容クリニックに配属され、すでに約 4 ヶ月が過ぎました。 まず、チーム内で自分が活躍できる庭を作りたかったため Docker について詳しくなろうと思いました。 そこで、CI
Dockerイメージ分析ツール「dive」を利用してDockerイメージを軽量化する - 🤖
はじめに Docker イメージサイズは小さければ小さいほど、Push と Pull の高速化につながり嬉しいです。 docker historyによってイメージレイヤーごとのサイズは分かりますが、どのレイヤーのどのファイルのサイズが大きいかは分かりません。 $ docker history maven:3-amazoncorretto-11 IMAGE CREATED CREATED BY SIZE COMMENT eb8a5bbcd061 12 days ago /bin/sh -c #(nop) CMD ["mvn"] 0B <missing> 12 days ago /bin/sh -c #(nop) ENTRYPOINT ["/usr/local/b… 0B <missing> 12 days ago /bin/sh -c #(nop) COPY file:2bbb488dd73
Day-107 Pythonの高速画像処理ライブラリLyconが速い - CC56
何ヶ月か前にTwitterのタイムラインに流れてきたのですが、それっきり話題を聞かないので検証してみることにしました。 ちなみに、個人的に普段使って慣れているのは、癖が少なくて扱いやすい scikit-image です。 (OpenCVはBGRがデフォルトなので基本的に避けたいですし、PILは癖が強めなのであまり好きではないです) 高速の画像処理ライブラリを使うモチベは、もちろん Kaggle です。 特に画像の読み込みが速いと、時間短縮に直結するので個人的に嬉しいです。 Lyconとは C++で書かれたPython用の軽量画像処理ライブラリらしいです。 PyPI にあるので pip install ですぐに使えます。(一応依存関係も気にしなきゃいけないかも) github.com 性能の割にスターが控えめな気がする。 試しに使ってみる 多少の実戦を仮定して、Kaggle の Notebo
「Instagramの埋め込みは著作権侵害に当たらない」という判決が下る
インターネット上にある写真は誰かが撮影した著作物であり、自由に引用・転載していいわけではありませんが、サービス上の公式機能を使った場合には問題ないという解釈が一般的です。2020年4月13日、ニューヨーク州南部地区連邦地方裁判所は「『Instagramの埋め込み』は著作権違反に当たらない」という判決を下しました。同様の判決は以前にも存在しましたが、今回の裁判では、審理に際して弁護側が展開した論理に対して注目が集まっています。 gov.uscourts.nysd.487498.31.0.pdf (PDFファイル)https://www.courtlistener.com/recap/gov.uscourts.nysd.487498/gov.uscourts.nysd.487498.31.0.pdf Judge smacks down copyright suit over Instagram
Rustで作る機械学習を用いた画像クロッピングシステム
ML@Loft #9. Deep Learning フレームワークと推論 https://ml-loft.connpass.com/event/157785/
GANを用いた画像異常検知アルゴリズム - Qiita
概要 ニューラルポケットは、正常品と異常品を高精度で判別する画像分析アルゴリズムを開発し、国際学会ACPRにて発表しました。複数のオープンデータセットによる評価で、世界最高の異常画像検出精度を達成しています。 正常品と異常品を画像から識別するアルゴリズムは、工場や農業、インフラ管理などの幅広い領域において活用が進められており、属人的な作業を機械化することによる、見逃し率の低減や作業の効率化などに、大きな期待が寄せられています。 この領域においては、従来、正常品とのパターンマッチングを中心としたアプローチが主流でしたが、近年、深層学習を用いたアプローチが広まり、正常品の中でも形状変化が大きい、食品や柔らかい素材の部品など含め、幅広く活用することが出来るようになってきました。 本手法は、その発展として開発されたものであり、以下のような特徴を持ちます： 従来の手法では大量に必要となっていた異常画
Model Cards for Model Reporting
Trained machine learning models are increasingly used to perform high-impact tasks in areas such as law enforcement, medicine, education, and employment. In order to clarify the intended use cases of machine learning models and minimize their usage in contexts for which they are not well suited, we recommend that released models be accompanied by documentation detailing their performance character
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Building Image search with OpenAI Clip
Mirador — Home
IIIF Training
GitHub - tropy/tropy: Research photo management
GitHub - wagoodman/dive: A tool for exploring each layer in a docker image
monosnap.com
