MedusAIModels (0.1.1)

Published 2025-09-16 03:08:50 +02:00 by MedusTechnical

To install the package using pip, run the following command:

pip install --index-url  MedusAIModels

For more information on the PyPI registry, see the documentation.

Python library for AI model operations including classification, detection, segmentation, keypoints, and video processing

MedusAIModels

MedusAIModels is a comprehensive Python library for AI model operations including classification, detection, segmentation, keypoints, and video processing. It provides a unified interface for training, inference, and evaluation of machine learning models across different computer vision tasks.

Features

Multi-task Support: Classification, detection, segmentation, keypoints, and video processing
Flexible Architecture: Easy to extend and customize for different use cases
Professional Development: Modern tooling with Poetry, pytest, mypy, and comprehensive documentation
Dataset Management: Support for various dataset formats including COCO, YOLO, and custom formats
Model Registry: Organized model implementations with easy registration and discovery
Training Pipeline: Comprehensive training processes with metrics and evaluation
Type Safety: Fully typed with comprehensive type hints

Installation

Prerequisites

Python: Version 3.10 or higher
pip or Poetry: For dependency management and installation

Install via pip

pip install medusaimodels

Install via Poetry

poetry add medusaimodels

Development Installation

git clone https://github.com/MedusAI/MedusAIModels.git
cd MedusAIModels
poetry install

Quick Start

from medusaimodels import MedusAIModels

# Initialize for classification
client = MedusAIModels(model_type="classification", device="cuda")

# Load a model
result = client.load_model("path/to/model.pth")

# Train a model
training_result = client.train_model(
    dataset_path="path/to/dataset",
    epochs=10,
    batch_size=32
)

# Make predictions
predictions = client.predict(input_data)

# Evaluate model
metrics = client.evaluate_model("path/to/test_dataset")

Supported Model Types

1. Classification

Multi-class classification
Multi-label classification
Video classification

2. Detection

Object detection with bounding boxes
YOLO-based detection
TorchVision detection models

3. Segmentation

Instance segmentation
Semantic segmentation
Segmentation Models PyTorch integration

4. Keypoints

Pose estimation
Keypoint detection
Human pose analysis

5. Video Processing

Video classification
Temporal analysis
Action recognition

Dataset Structure Support

The library supports the dataset structures documented below:

Classification: Multi-class and multi-label formats
Detection: YOLO format with data.yaml configuration
Segmentation: Instance and semantic segmentation formats
Keypoints: COCO keypoint format
Video: Video classification structure

Architecture

The library is organized into several key components:

src/medusaimodels/
├── impl/           # Implementation modules
├── interfaces/     # Abstract interfaces
├── process/        # Training and processing workflows
└── client.py       # Main client interface

Implementation Modules (`impl/`)

models/: Model implementations (classifiers, detectors, segmentors)
datasets/: Dataset implementations for different tasks
transforms/: Data transformation utilities
metrics/: Evaluation metrics

Interfaces (`interfaces/`)

models/: Abstract model interfaces
data/: Data structure definitions
dataset/: Dataset interface definitions

Process (`process/`)

Train.py: Training pipeline implementation
Dataloader.py: Data loading utilities

Development

Testing

# Run tests
poetry run pytest

# Run with coverage
poetry run pytest --cov=medusaimodels

# Run specific test file
poetry run pytest tests/test_client.py

Code Quality

# Format code
poetry run ruff format src tests

# Lint code
poetry run ruff check src tests

# Type checking
poetry run mypy src tests

Documentation

# Build documentation
poetry run sphinx-build docs docs/_build

# Serve documentation locally
poetry run sphinx-autobuild docs docs/_build

Contributing

Fork the repository
Create a feature branch
Make your changes
Add tests for new functionality
Ensure all tests pass
Submit a pull request

License

This project is licensed under the MIT License - see the LICENSE file for details.

Support

For questions and support:

Email: courriel@medusai.ca
Documentation: https://MedusAIModels.readthedocs.io
Issues: GitHub Issues

📁 Structure des Datasets pour le Service d'Entraînement

Ce projet repose sur plusieurs types de services d'entraînement liés à l'intelligence artificielle : classification, détection, estimation de keypoints et segmentation. Chaque tâche a une structure de dataset bien définie, facilitant l'entraînement des modèles.

0. Projet

Structure attendue :

projet/
│
├── train/
│   ├── donnée
│   ├── donnée
│
├── val
│   ├── donnée
│   ├── donnée
│
└── test/
│   ├── donnée
│   ├── donnée

1. Classification Multiclass

Structure attendue :

projet_classification_multiclasse/
│
├── train/
│   ├── classe_1/
│   │   ├── image_001.jpg
│   │   ├── image_002.jpg
│   │   └── ...
│   ├── classe_2/
│   │   ├── image_003.jpg
│   │   ├── image_004.jpg
│   │   └── ...
│   └── ...
│
├── val/        
│   ├── classe_1/
│   │   ├── image_101.jpg
│   │   └── ...
│   ├── classe_2/
│   │   ├── image_103.jpg
│   │   └── ...
│   └── ...
│
└── test/       
    ├── classe_1/
    │   ├── image_201.jpg
    │   └── ...
    ├── classe_2/
    │   ├── image_203.jpg
    │   └── ...
    └── ...

Description : Chaque sous-dossier porte le nom d'une classe et contient les images associées. Une image appartient à une seule classe.

2. Classification Multilabel

Structure attendue :

projet_classification_multilabel/
│
├── train/
│   ├── images/
│   │   ├── image_001.jpg
│   │   ├── image_002.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── image_001.json
│       ├── image_002.json
│       └── ...
│
├── val/
│   ├── images/
│   │   ├── image_101.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── image_101.json
│       └── ...
│
├── test/
│   ├── images/
│   │   ├── image_201.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── image_201.json
│       └── ...
│
└── config.json

Description :

Le dossier images/ contient les images à classer.
Le dossier labels/ contient des fichiers .json portant le même nom que les images.
Chaque fichier JSON contient un vecteur binaire (liste de 0 et 1) indiquant les classes associées à l'image.
Le fichier config.json contient la liste complète des classes utilisées pour l'annotation

Structure de fichier config.json

{
  "classes": ["Cat", "Dog", "Horse"]
}

Chaque fichier dans labels/ contient deux clés :

"labels" : un vecteur binaire où 1 signifie que la classe est présente, 0 qu'elle est absente.

Exemple :

{
  "labels": [1, 1, 0]
}

3. Détection d'Objets

Structure attendue :

projet_detection/
│
├── train/
│   ├── images/
│   │   ├── image_001.jpg
│   │   ├── image_002.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_001.txt
│   │   ├── image_002.txt
│   │   └── ...
│
├── val/
│   ├── images/
│   │   ├── image_101.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_101.txt
│   │   └── ...
│
├── test/
│   ├── images/
│   │   ├── image_201.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_201.txt
│   │   └── ...
│
├── data.yaml

Structure de fichier de data.yaml :

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8 # dataset root dir (absolute or relative; if relative, it's relative to default datasets_dir)
train: train/images # train images (relative to 'path') 4 images
val: val/images # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes (80 COCO classes)
names:
    0: person
    1: bicycle
    2: car
    # ...
    77: teddy bear
    78: hair drier
    79: toothbrush

Description :

Chaque fichier .txt a le même nom que l'image et contient les annotations au format YOLO :
```
<class_id> <x_center> <y_center> <width> <height>
```

4. Estimation des points clés (Keypoints)

Structure attendue :

Identique à la détection :

projet_keypoints/
│
├── train/
│   ├── images/
│   │   ├── image_001.jpg
│   │   ├── image_002.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_001.txt
│   │   ├── image_002.txt
│   │   └── ...
│
├── val/
│   ├── images/
│   │   ├── image_101.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_101.txt
│   │   └── ...
│
├── test/
│   ├── images/
│   │   ├── image_201.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_201.txt
│   │   └── ...
│
├── data.yaml

Structure de fichier de data.yaml :

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8-pose # dataset root dir (absolute or relative; if relative, it's relative to default datasets_dir)
train: train/images # train images (relative to 'path') 4 images
val: val/images # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes dictionary
names:
    0: person

Description :

Le fichier .txt contient les informations suivantes :

<class_id> <x_center> <y_center> <width> <height> <kpt_x1> <kpt_y1> <v1> <kpt_x2> <kpt_y2> <v2> ...

v est la visibilité du point (0: absent, 1: partiellement visible, 2: visible).

5. Segmentation d'Instances ou Sémantique

Structure attendue :

projet_segmentation/
│
├── train/
│   ├── images/
│   │   ├── image_001.jpg
│   │   ├── image_002.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_001.txt
│   │   ├── image_002.txt
│   │   └── ...
│
├── val/
│   ├── images/
│   │   ├── image_101.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_101.txt
│   │   └── ...
│
├── test/
│   ├── images/
│   │   ├── image_201.jpg
│   │   └── ...
│   ├── labels/
│   │   ├── image_201.txt
│   │   └── ...
│
├── data.yaml

Structure de fichier de data.yaml pour la segmentation d'instance:

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8-seg # dataset root dir (absolute or relative; if relative, it's relative to default datasets_dir)
train: train/images # train images (relative to 'path') 4 images
val: val/images # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes (80 COCO classes)
names:
    0: person
    1: bicycle
    2: car
    # ...
    77: teddy bear
    78: hair drier
    79: toothbrush

Description :

Les fichiers .txt contiennent des polygones :

<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>

6. Classification des vidéos

Structure attendue :

projet_classification_vidéos/
│
├── train/
│   ├── classe_1/
│   │   ├── image_001.mp4
│   │   ├── image_002.mp4
│   │   └── ...
│   ├── classe_2/
│   │   ├── image_003.mp4
│   │   ├── image_004.mp4
│   │   └── ...
│   └── ...
│
├── val/        
│   ├── classe_1/
│   │   ├── image_101.mp4
│   │   └── ...
│   ├── classe_2/
│   │   ├── image_103.mp4
│   │   └── ...
│   └── ...
│
└── test/       
    ├── classe_1/
    │   ├── image_201.mp4
    │   └── ...
    ├── classe_2/
    │   ├── image_203.mp4
    │   └── ...
    └── ...

Description : Chaque sous-dossier porte le nom d'une classe et contient les vidéos associées.

Exemples d'utilisation (dossier `/examples`)

Le dossier /examples contient plusieurs scripts et sous-dossiers illustrant l'utilisation de la librairie MedusAIModels pour différents cas d'usage : classification, détection, segmentation, keypoints, vidéo, etc.

Structure du dossier `/examples`

datasets/ : Exemples de manipulation, visualisation et tests sur différents types de datasets (classification, multilabel, détection, pose, segmentation, vidéo).
- Ces scripts permettent de visualiser, explorer et transformer vos données.
- Vous pouvez voir les images, les annotations (bboxes, masques, keypoints, etc.), et le résultat des transformations appliquées (par exemple, rotation, redimensionnement, etc.).
- Ils sont idéaux pour déboguer vos jeux de données ou comprendre comment les transformations affectent vos images et labels.
torchTrain/ : Scripts de tests d'entraînement PyTorch pour chaque tâche (classification, détection, segmentation, pose, vidéo) avec la librairie.
Yolo/ : Scripts spécifiques pour l'entraînement et l'utilisation de modèles YOLO (détection, segmentation, classification, pose).
train.py : Exemple générique d'entraînement d'un modèle avec MedusAIModels.

Exécution des scripts d'exemple

1. Exemples de datasets

Exemples d'utilisation :

python examples/datasets/MultiClass.py -

Ce que font ces scripts :
- Chargent le dataset et affichent des exemples d'images et d'annotations.
- Permettent d'appliquer et de visualiser des transformations (data augmentation, etc.).
- Aident à vérifier la qualité et la structure de vos données avant entraînement.

2. Entraînement PyTorch (torchTrain)

Exemples d'utilisation :

python examples/torchTrain/test_torchvision_classification.py --dataset_root /chemin/vers/dataset --output_dir ./output --model resnet18 --epochs 20 --batch_size 16 --pretrained
python examples/torchTrain/test_torchvision_Multilabel.py --dataset_root /chemin/vers/dataset --output_dir ./output --model densenet121 --epochs 10

Ce que font ces scripts :
- Entraînent un modèle sur le dataset spécifié avec les paramètres choisis.
- Permettent de tester différents modèles, tailles de batch, nombre d'epochs, etc.
- Sauvegardent le modèle entraîné et parfois les métriques de validation.

3. Scripts YOLO

Entraînement YOLO (détection, segmentation, classification, pose)
```
python examples/Yolo/YoloTrain.py --dataset /chemin/vers/yolo_dataset --model_type Detector --model_name yolov8n --epochs 20
```
- --model_type peut être Detector, MulticlassClassifier, InstanceSegmentor, Keypoints selon la tâche.
- --model_name : nom du modèle YOLO (ex : yolov8n, yolov8s, ...)

Ce script illustre comment charger un dataset YOLO, choisir un modèle, entraîner et sauvegarder le modèle.

4. Script d'entraînement générique

train.py Ce script permet d'entraîner un modèle à partir d'un fichier de configuration YAML décrivant le dataset, le modèle, les hyperparamètres, etc.

Pour chaque script, lancez-le avec --help pour voir toutes les options disponibles.

Ces exemples sont un excellent point de départ pour comprendre et tester les fonctionnalités de MedusAIModels sur vos propres données.

Requires Python: >=3.10,<3.13

Details

PyPI

2025-09-16 03:08:50 +02:00

medusai

Project website

MIT

235 KiB

Assets (2)

medusaimodels-0.1.1-py3-none-any.whl 144 KiB

medusaimodels-0.1.1.tar.gz 91 KiB

Versions (3) View all

0.1.2

2025-10-01

0.1.1

2025-09-16

0.1.0

2025-08-31

MedusAIModels (0.1.1)

Installation

About this package

MedusAIModels

Features

Installation

Prerequisites

Install via pip

Install via Poetry

Development Installation

Quick Start

Supported Model Types

1. Classification

2. Detection

3. Segmentation

4. Keypoints

5. Video Processing

Dataset Structure Support

Architecture

Implementation Modules (impl/)

Interfaces (interfaces/)

Process (process/)

Development

Testing

Code Quality

Documentation

Contributing

License

Support

📁 Structure des Datasets pour le Service d'Entraînement

0. Projet

1. Classification Multiclass

2. Classification Multilabel

3. Détection d'Objets

4. Estimation des points clés (Keypoints)

5. Segmentation d'Instances ou Sémantique

6. Classification des vidéos

Exemples d'utilisation (dossier /examples)

Structure du dossier /examples

Exécution des scripts d'exemple

1. Exemples de datasets

2. Entraînement PyTorch (torchTrain)

3. Scripts YOLO

4. Script d'entraînement générique

Requirements

Implementation Modules (`impl/`)

Interfaces (`interfaces/`)

Process (`process/`)

Exemples d'utilisation (dossier `/examples`)

Structure du dossier `/examples`