Librerie Python
Le 10 migliori librerie Python per l’elaborazione delle immagini
Punti chiaveOpenCV carica le immagini a colori in ordine BGR, quindi le conversioni esplicite…
Vedi di più
- OpenCV carica le immagini a colori in ordine BGR, quindi le conversioni esplicite evitano risultati convincenti ma errati.
- Le convenzioni sull'intervallo di intensità di scikit-image possono nascondere errori numerici che modificano le soglie e le misurazioni a valle.
- AlbumentationsX ora è distribuito con licenza AGPL-3.0-only o con termini commerciali anziché con la precedente licenza MIT.
L’elaborazione delle immagini in Python comprende operazioni quotidiane di modifica, misurazioni scientifiche, analisi video, aumento dei dati per l’addestramento dei modelli e pipeline per immagini di grandi dimensioni. Questi carichi di lavoro richiedono strumenti diversi. Una libreria eccellente per creare miniature potrebbe non conservare le informazioni spaziali necessarie per un volume di immagini di ricerca, mentre una libreria di trasformazioni basata su GPU potrebbe aggiungere complessità inutile a un piccolo servizio web.
Abbiamo valutato in modo indipendente queste 10 librerie, esaminandone le funzionalità, le convenzioni relative ai dati, i requisiti di integrazione e i limiti pratici, e consultando la documentazione ufficiale aggiornata. OpenCV è la scelta migliore per la visione artificiale in senso ampio, Pillow per le comuni operazioni di modifica delle immagini raster e scikit-image per l’analisi scientifica. La classifica riflette una valutazione editoriale basata su questi casi d’uso, non un nuovo benchmark pratico delle prestazioni.
Diverse librerie danno il meglio se utilizzate insieme: ImageIO gestisce le risorse, SciPy fornisce le operazioni numeriche e una libreria di livello superiore esegue l’analisi. Scegli una combinazione essenziale che preservi il significato delle immagini dall’acquisizione all’output.
Confronto tra le migliori librerie Python per l’elaborazione delle immagini
| Strumento AI | Ideale per | Funzionalità |
|---|---|---|
| OpenCV | Visione artificiale generale e pipeline video | Filtri; geometria; rilevamento delle caratteristiche; calibrazione; analisi video |
| Pillow | Modifica quotidiana delle immagini e gestione dei file | Ritaglio; ridimensionamento; composizione; disegno; modalità; supporto dei formati |
| scikit-image | Analisi e misurazione scientifica delle immagini | Segmentazione; morfologia; ripristino; caratteristiche; misurazioni delle regioni |
| torchvision | Preelaborazione delle immagini nelle pipeline PyTorch | Trasformazioni v2; immagini; maschere; riquadri; video; punti chiave |
| Kornia | Visione differenziabile ed elaborazione di tensori in batch | Operatori PyTorch; geometria; filtri; colore; aumento dei dati |
| AlbumentationsX | Ampia gamma di trasformazioni per l’aumento dei dati, con sincronizzazione delle etichette di addestramento | Trasformazioni componibili; immagini; maschere; riquadri; punti chiave; volumi |
| SciPy ndimage | Filtri multidimensionali e operazioni a livello di array | Filtri; morfologia; interpolazione; etichettatura; misurazioni |
| ImageIO | Lettura e scrittura di risorse di immagini come array | API v3; plugin; sequenze; metadati; ispezione delle risorse |
| SimpleITK | Volumi con informazioni spaziali e flussi di lavoro di registrazione | Geometria delle immagini; spaziatura; origine; direzione; trasformazioni spaziali |
| pyvips | Pipeline per immagini di grandi dimensioni con uso controllato della memoria | Binding per libvips; pipeline differite; accesso sequenziale; operazioni sulle immagini |
1. OpenCV
OpenCV è la nostra prima scelta quando l’elaborazione delle immagini rientra in un’applicazione di visione artificiale più ampia. La sua interfaccia Python comprende filtri, trasformazioni geometriche, rilevamento delle caratteristiche, calibrazione della fotocamera e analisi video. Questa ampiezza di funzionalità la rende utile quando uno stesso progetto deve ripulire un’immagine, individuare strutture ed elaborare un flusso di fotogrammi, anziché limitarsi a convertire un singolo file.
L’aspetto più importante per l’integrazione è la rappresentazione dell’immagine. I metodi più comuni di OpenCV per caricare immagini a colori utilizzano l’ordine BGR, mentre molti strumenti usati insieme si aspettano RGB. Le conversioni esplicite nei punti di passaggio tra librerie evitano risultati dall’aspetto convincente ma non corretti. Occorre inoltre tenere conto dei valori interi rispetto a quelli in virgola mobile e verificare se una funzione si aspetta immagini in scala di grigi o con più canali; un array con le dimensioni giuste non è necessariamente corretto dal punto di vista semantico.
Consigliamo OpenCV per i flussi di lavoro con fotocamere e per l’ingegneria della visione in generale, mentre Pillow è di solito più semplice per le operazioni di base sulle immagini. Prima della distribuzione, verifica la build installata con le sorgenti video, i codec e le funzionalità opzionali richiesti. Il corretto funzionamento con un file JPEG locale non dimostra che una fotocamera di produzione o un flusso codificato si comporteranno allo stesso modo. Per valutare le prestazioni in tempo reale, misura insieme decodifica, elaborazione e output.
Vantaggi e svantaggi
- Ampia raccolta di strumenti per la visione artificiale classica
- Flussi di lavoro per immagini e video in un unico ecosistema
- Accesso da Python alle implementazioni native
- Le convenzioni relative ai colori e ai tipi di dati richiedono attenzione
- La disponibilità dei codec e delle funzionalità opzionali dipende dalla build installata
2. Pillow
Pillow è un punto di partenza pratico per le comuni operazioni sulle immagini raster, come creare miniature, ritagliare, convertire formati, comporre immagini e aggiungere testo. Offre un’interfaccia semplice basata su oggetti immagine, più facile da seguire rispetto a uno stack completo di visione artificiale per molti script e servizi web. Quando occorre preparare o distribuire un’immagine, la sua semplicità rappresenta spesso il vantaggio principale.
Le modalità delle immagini e i metadati meritano la stessa attenzione dell’operazione di ridimensionamento. Le immagini RGB, in scala di grigi, con tavolozza o canale alfa possono richiedere trattamenti diversi; inoltre, i metadati di orientamento possono influire sull’aspetto di una fotografia. Decidete come la pipeline gestirà trasparenza, profili colore e qualità dell’output. Un file che si apre correttamente può comunque apparire diverso dal previsto dopo una conversione incompleta.
Consigliamo Pillow per le normali attività di modifica, purché le dimensioni delle immagini siano gestibili. Per controllare l’output, usate dati di ingresso rappresentativi, inclusi elementi trasparenti e fotografie con metadati di orientamento. Per i caricamenti degli utenti, tenete presenti i limiti di decompressione e i codec supportati, senza presumere che ogni formato conservi tutti i metadati. Per misurazioni scientifiche complesse, tracciamento in tempo reale o elaborazione di immagini molto grandi con limiti di memoria stringenti, un’altra libreria tra quelle presentate di seguito potrebbe essere una componente centrale più adatta.
Vantaggi e svantaggi
- Interfaccia accessibile per la modifica delle immagini
- Utili strumenti per formati, disegno e composizione
- Adatta a script e risorse web
- Non è un sistema completo per l’analisi della visione artificiale
- Modalità, metadati e immagini di grandi dimensioni richiedono una gestione attenta
3. scikit-image
scikit-image è il nostro punto di partenza generale preferito per l’analisi scientifica delle immagini nell’ecosistema NumPy. Offre algoritmi per segmentazione, morfologia, restauro, estrazione di caratteristiche e misurazione. Il suo punto di forza è un flusso di lavoro di analisi chiaro, in cui è possibile esaminare gli array intermedi: una caratteristica che lo rende utile per la microscopia, le immagini sperimentali e i progetti in cui capire un risultato conta quanto ottenerlo.
Le convenzioni relative ai tipi di dato sono essenziali per usare correttamente la libreria. Convertire un’immagine con valori interi in virgola mobile non equivale sempre a riscalarne le intensità nell’intervallo previsto da un algoritmo. Verificate le ipotesi documentate per ciascuna funzione e utilizzate le apposite utilità di conversione. Un risultato visivamente plausibile può nascondere un errore numerico che modifica soglie, distanze o misurazioni successive.
Scegliete scikit-image se volete creare e illustrare una pipeline di analisi basata su operazioni consolidate. Convalidate segmentazione e misurazioni usando esempi rappresentativi, invece di giudicare soltanto una visualizzazione rifinita. Non è un sistema di acquisizione tramite fotocamera né un sostituto di un modello specializzato di immagini con coordinate fisiche. Per i dati volumetrici, individuate gli assi spaziali e quelli che rappresentano canali o tempo prima di applicare un’operazione all’array.
Vantaggi e svantaggi
- Flussi di lavoro chiari per l’analisi scientifica
- Ampia copertura di segmentazione e misurazione
- Integrazione naturale con gli array NumPy
- Le convenzioni sugli intervalli di intensità possono causare errori difficili da individuare
- Per l’acquisizione tramite fotocamera e i metadati fisici servono altri strumenti
4. torchvision
torchvision è la scelta più naturale quando l’elaborazione delle immagini alimenta un modello di visione PyTorch. Le sue trasformazioni possono preparare immagini e annotazioni associate all’interno della stessa pipeline di addestramento, riducendo la necessità di codice di preelaborazione separato. La libreria include anche set di dati e modelli di visione, ma qui il componente più pertinente è il livello di trasformazione applicato agli input del modello.
La documentazione attuale consiglia torchvision.transforms.v2. Queste trasformazioni gestiscono sia le immagini sia gli elementi di destinazione, come riquadri di delimitazione, maschere, video e punti chiave; è importante che, quando si applica un ritaglio o un ribaltamento, la modifica riguardi sia i pixel sia le etichette. Usate i tipi di input appropriati e verificate visivamente le annotazioni trasformate. Applicare trasformazioni casuali campionate indipendentemente a un’immagine e alla relativa maschera comprometterebbe i dati di addestramento.
Consigliamo torchvision quando le trasformazioni supportate soddisfano le esigenze del compito e il progetto dipende già da PyTorch. Controllate la forma del tensore, il tipo di dato, l’intervallo dei valori e la preelaborazione prevista dai pesi del modello scelto. Mantenete deterministiche le trasformazioni di convalida, a meno che la valutazione non richieda esplicitamente un’altra procedura. La sua posizione in classifica riflette la comodità di integrazione, non un vantaggio universale in termini di velocità: le prestazioni dipendono dalle dimensioni delle immagini, dalla disposizione in memoria, dal caricamento dei dati e dal punto in cui vengono eseguite le trasformazioni.
Vantaggi e svantaggi
- Si integra naturalmente nei progetti PyTorch
- L’API v2 consigliata supporta più tipi di elementi di destinazione
- Può mantenere allineate le trasformazioni spaziali e le annotazioni
- Richiede attenzione nella gestione degli elementi di destinazione e dei tensori
- Le prestazioni dipendono dall’intero processo di caricamento dei dati
5. Kornia
Kornia è particolarmente utile quando le operazioni di elaborazione delle immagini devono essere integrate in un calcolo PyTorch, anziché essere eseguite in uno script di preelaborazione separato. Offre operazioni di visione artificiale basate su tensori che spaziano dalla geometria ai filtri, dal colore alla corrispondenza delle caratteristiche e all’aumento dei dati. Molte operazioni supportano la differenziazione, consentendo a una funzione obiettivo di ottimizzazione di dipendere dalle immagini trasformate, invece di trattare la preelaborazione come un passaggio esterno e fisso.
Il suo modello di esecuzione in batch può essere utile anche quando i dati si trovano già su un acceleratore. Tuttavia, spostare un’operazione su una GPU non è automaticamente vantaggioso: i trasferimenti, le dimensioni del batch, l’allocazione della memoria e le operazioni circostanti influiscono tutti sul tempo di esecuzione complessivo. Confrontate una pipeline completa con un carico di lavoro realistico. Verificate il comportamento rispetto alla differenziazione delle specifiche operazioni e dei parametri effettivamente necessari per l’ottimizzazione.
Consigliamo Kornia per la geometria differenziabile, i sistemi di apprendimento e i flussi di lavoro di visione artificiale nativi per i tensori. Di solito rappresenta un sovraccarico non necessario per uno script che crea solo alcune miniature. Quando lo si collega a un’altra libreria, verificate la disposizione dei tensori, gli intervalli di intensità e le convenzioni delle coordinate. Anche quando i gradienti sono disponibili, un’ottimizzazione può fallire perché la funzione obiettivo o l’inizializzazione sono inadeguate: la differenziabilità è una funzionalità utile, non una garanzia di registrazione corretta delle immagini o di trasformazione appresa correttamente.
Pro e contro
- Le operazioni di visione artificiale possono partecipare all’autograd
- Flussi di lavoro con tensori in batch e acceleratori
- Componenti utili per la geometria e l’aumento dei dati
- Richiede PyTorch e le convenzioni dei suoi tensori
- I vantaggi della GPU e il comportamento dei gradienti dipendono dall’operazione
6. AlbumentationsX
AlbumentationsX è un’ottima scelta specialistica per creare politiche di aumento dei dati diversificate per i dati di addestramento dei modelli di visione artificiale. Le sue trasformazioni componibili possono applicare modifiche spaziali in modo coerente alle immagini e ai relativi elementi associati, tra cui maschere, riquadri e punti chiave. Questa coerenza conta più della semplice disponibilità di numerosi effetti visivi: dopo ritagli, rotazioni o altre modifiche geometriche, gli esempi di addestramento devono mantenere etichette corrette.
Iniziate con aumenti dei dati che riflettano variazioni plausibili nell’ambiente previsto. Esaminate i campioni trasformati e verificate come vengono gestiti gli oggetti ritagliati, le maschere vuote e le annotazioni parzialmente visibili. Un aumento più intenso non è sempre preferibile: un’operazione può cancellare il segnale, alterare il significato dell’etichetta o generare esempi diversi da qualsiasi dato che il modello incontrerà. Misurate l’effetto della politica su un insieme di validazione indipendente.
La licenza del pacchetto attualmente mantenuto ha condizioni diverse da quelle della versione legacy di Albumentations. La documentazione ufficiale attuale offre AlbumentationsX con licenza AGPL-3.0-only oppure con condizioni commerciali separate. Non presumete che una descrizione della vecchia licenza MIT si applichi a una nuova installazione. Prima di adottarlo, verificate l’esatto pacchetto e la relativa versione. Lo includiamo per la sua utilità tecnica, ma consigliamo torchvision o un’altra alternativa adeguata quando le sue funzionalità o la sua licenza si adattano meglio al progetto.
Pro e contro
- Flussi di lavoro di aumento dei dati ricchi e componibili
- Coordina le immagini e i relativi elementi associati
- Utile per diverse attività di addestramento dei modelli di visione artificiale
- La licenza attuale è diversa da quella indicata nelle descrizioni legacy
- Politiche scelte male possono compromettere gli esempi di addestramento
7. SciPy ndimage
Il modulo ndimage di SciPy merita un posto in un kit generale per l’elaborazione delle immagini, perché molte attività iniziano con operazioni su array multidimensionali. Offre filtri, morfologia matematica, interpolazione, etichettatura e misurazioni senza richiedere un framework per l’addestramento di modelli. È particolarmente utile quando le immagini sono parte di un calcolo scientifico più ampio che utilizza già NumPy e SciPy.
Il suo approccio di basso livello offre agli sviluppatori il controllo su dettagli numerici che le interfacce di livello superiore possono nascondere. La gestione dei bordi, l’ordine di interpolazione, il tipo di dato in uscita e gli assi elaborati possono cambiare il significato del risultato. Per i flussi di lavoro importanti, definite esplicitamente questi parametri. Un canale colore o un asse temporale non dovrebbe essere smussato per errore come se fosse un’altra dimensione spaziale.
Consigliamo ndimage per componenti numerici riutilizzabili, compresa l’elaborazione volumetrica, e scikit-image per molti flussi di lavoro di analisi di livello superiore. I due strumenti possono integrarsi a vicenda, anziché contendersi un uso esclusivo. Questo modulo non offre un sistema completo per i file immagine o i metadati spaziali, quindi gestite questi requisiti in un’altra parte dell’applicazione. Prima di applicare un’operazione a un grande insieme di dati, provatela su array piccoli con risultati attesi noti, soprattutto quando la gestione dei bordi o la connettività delle etichette influisce sulle misurazioni.
Pro e contro
- Ampia gamma di primitive per l’elaborazione multidimensionale
- Si integra con i flussi di lavoro esistenti basati su NumPy e SciPy
- Controlli numerici espliciti
- Le API di basso livello richiedono un’attenta scelta dei parametri
- La gestione dei file e dei metadati fisici richiede trattamenti distinti
8. ImageIO
ImageIO svolge un’importante funzione di supporto: permette di acquisire dati di immagini e inserirli in un flusso di lavoro basato su array, e di esportarli. La sua interfaccia v3 offre operazioni di lettura, scrittura, iterazione e ispezione, mentre i plugin gestiscono le risorse e i formati sottostanti. Consente di integrare input provenienti da file con le analisi in NumPy o scikit-image, senza costringere il codice di analisi a gestire ogni dettaglio dei decoder.
Un’interfaccia unificata non significa che tutti i plugin si comportino allo stesso modo. Il supporto dei formati, i metadati, la selezione dei fotogrammi e le dipendenze facoltative possono variare. Quando la riproducibilità è importante, specificate e testate il plugin e distinguete una singola immagine da una sequenza o da un volume. A seconda del formato e dell’operazione successiva, può essere più appropriato iterare sui fotogrammi anziché caricare in memoria l’intera risorsa.
Consigliamo ImageIO come complemento per l’I/O, non come sostituto delle librerie per la segmentazione, il filtraggio o la geometria. Verificate file rappresentativi, compresi quelli con profondità di bit insolite e gli input multipagina, nell’ambiente effettivo di distribuzione. Controllate che la scrittura e la successiva riapertura di un output ne preservino i valori e i metadati richiesti dall’applicazione. La sola decodifica riuscita non basta a dimostrare che il resto di una pipeline scientifica o di machine learning abbia ricevuto la rappresentazione prevista.
Pro e contro
- Comoda interfaccia di I/O orientata agli array
- Supporto delle risorse basato su plugin
- Funzioni utili per l’iterazione e l’ispezione dei metadati
- Le funzionalità variano in base ai plugin e alle dipendenze installate
- Offre funzioni di I/O, non un toolkit completo per l’analisi
9. SimpleITK
SimpleITK è la scelta specialistica consigliata quando un’immagine rappresenta una regione fisica, anziché una semplice griglia di pixel visualizzati. Il suo modello d’immagine comprende origine, spaziatura e direzione, oltre a dimensioni e valori dei pixel. Questo è particolarmente importante per i volumi medici e scientifici, nei quali distanze e orientamento influiscono sull’allineamento, il ricampionamento e la misurazione delle immagini.
Due array con la stessa forma possono descrivere posizioni fisiche diverse. Durante l’elaborazione, preservare la geometria è quindi importante quanto mantenere i valori stessi. Il passaggio dalle immagini SimpleITK agli array NumPy e viceversa richiede attenzione alle convenzioni degli assi e ai metadati. Un’operazione che sembra corretta in un visualizzatore di sezioni può comunque produrre un volume posizionato o scalato in modo errato se si perdono le informazioni spaziali.
Consigliamo SimpleITK per i flussi di lavoro di registrazione e analisi spaziale che traggono vantaggio da questo modello d’immagine esplicito. Per le normali immagini web è più specializzato del necessario. Stabilite unità coerenti, esaminate la geometria trasformata e testate il ricampionamento usando punti di riferimento noti o altri riferimenti adeguati. La libreria fornisce strumenti per l’elaborazione delle immagini, ma non garantisce la validità di una conclusione scientifica né rende un flusso di elaborazione clinicamente idoneo senza una convalida specifica del relativo ambito.
Pro e contro
- Rappresentazione esplicita delle immagini nello spazio fisico
- Base utile per la registrazione e il ricampionamento
- Adatto ai flussi di lavoro scientifici volumetrici
- La geometria e le conversioni degli array richiedono attenzione
- Più specializzato rispetto al normale fotoritocco raster
10. pyvips
Vale la pena valutare pyvips quando le dimensioni delle immagini o il volume di elaborazione rendono troppo oneroso il semplice flusso di lavoro di caricamento, modifica e salvataggio. Espone libvips tramite Python e crea pipeline in cui i pixel vengono elaborati solo quando viene richiesto un output. Questo approccio può ridurre la necessità di materializzare ogni immagine intermedia e renderlo interessante per carichi di lavoro consistenti di distribuzione di immagini o elaborazione in batch.
Le modalità di accesso sono fondamentali per il suo funzionamento. La documentazione distingue tra accesso sequenziale e casuale e spiega che, inizialmente, il caricamento di un file legge l’intestazione anziché decodificare subito tutti i pixel. Scegliete una modalità di accesso coerente con le operazioni successive. Convertire un’immagine di grandi dimensioni in un array NumPy completo può annullare il vantaggio in termini di memoria che aveva motivato l’uso di una pipeline lazy.
Consigliamo pyvips quando le misurazioni mostrano che la decodifica, la pressione sulla memoria o la ripetizione delle operazioni sulle immagini costituiscono un collo di bottiglia. Verificate le funzionalità di libvips installate e il supporto dei formati richiesti sulla macchina di produzione, quindi misurate la memoria di picco e il tempo complessivo di elaborazione. Non è automaticamente la scelta migliore per ogni algoritmo, soprattutto se richiede l’accesso senza restrizioni agli array. La sua inclusione amplia la selezione oltre l’addestramento dei modelli e le immagini di piccole dimensioni, considerando anche i costi pratici di gestione delle pipeline di immagini su larga scala.
Pro e contro
- L’elaborazione lazy può ridurre l’uso di memoria per le immagini intermedie
- I flussi di lavoro ad accesso sequenziale sono adatti alle immagini di grandi dimensioni
- Accesso da Python alle operazioni di libvips
- I vantaggi dipendono dai modelli di accesso e dalle operazioni
- Le librerie native e il supporto dei formati richiedono verifiche in fase di distribuzione
Convenzioni sulle immagini che possono compromettere una pipeline
- Colore e canali: specifica RGB o BGR, scala di grigi o colore e il modo in cui viene rappresentato il canale alfa. Esegui le conversioni in modo consapevole ai confini tra librerie.
- Tipi di dati e intervalli: convertire un array in virgola mobile non significa necessariamente normalizzarlo. Conserva i valori scientifici significativi e rispetta le aspettative della funzione che li riceve.
- Assi e geometria: distingui altezza, larghezza, canali, tempo e profondità. Per le immagini spaziali, mantieni spaziatura, origine, direzione e unità coerenti.
- Interpolazione: tratta le maschere categoriali in modo diverso dalle immagini a intensità continua. Un metodo di interpolazione adatto a una fotografia può introdurre valori di etichetta non validi in una maschera di segmentazione.
- Metadati e orientamento: verifica i profili colore, i tag di orientamento e la trasparenza attraverso un ciclo completo di lettura, elaborazione e scrittura. Definisci quali metadati deve conservare l’output.
- Target di addestramento: visualizza riquadri, maschere e punti chiave dopo l’aumento dei dati. Anche trasformazioni coerenti dal punto di vista spaziale possono creare esempi inadatti se la strategia modifica il significato delle etichette.
Come confrontare prestazioni e manutenzione
Esegui benchmark su flussi di lavoro completi, usando dimensioni e formati di immagine rappresentativi. Includi decodifica, copia, trasferimenti tra dispositivi, elaborazione e codifica; registra sia il picco di memoria sia il tempo trascorso. Un filtro veloce può incidere poco quando il fattore dominante è la decodifica dei file, mentre convertire un’immagine caricata in modo differito in un array completo può modificare sostanzialmente il profilo di memoria.
Fissa versioni compatibili e verifica i codec o i plugin opzionali sulla macchina di distribuzione. Per l’aumento dei dati, la guida ufficiale alla licenza di AlbumentationsX è il punto di partenza pertinente per conoscere le condizioni attuali del pacchetto. Evita di basarti su una dichiarazione di licenza copiata da una versione precedente del pacchetto o da un tutorial.
Se l’elaborazione alimenta un modello, consulta la nostra guida alle librerie di machine learning per Python per scegliere il livello di modellazione, oppure il nostro confronto tra librerie di deep learning per i flussi di lavoro basati su reti neurali. Mantieni coerente la preelaborazione delle immagini tra addestramento e inferenza.
Quale libreria di elaborazione delle immagini scegliere?
Scegli OpenCV per la visione artificiale e i video in generale, Pillow per le operazioni quotidiane di modifica delle immagini oppure scikit-image per l’analisi scientifica. Aggiungi SciPy ndimage quando ti servono operazioni numeriche multidimensionali esplicite e ImageIO quando ti mancano le funzionalità per caricare e scrivere risorse.
Per i progetti basati su PyTorch, prova torchvision per la preelaborazione standard e i target sincronizzati, e Kornia quando sono importanti le operazioni differenziabili o su tensori in batch. Valuta AlbumentationsX per strategie di aumento dei dati più articolate, dopo aver verificato le condizioni del pacchetto e convalidato gli esempi risultanti.
Usa SimpleITK quando la geometria fisica è fondamentale per l’immagine e pyvips quando l’elaborazione di immagini di grandi dimensioni richiede una strategia diversa per la memoria. La scelta migliore conserva i dati necessari all’applicazione e rende comprensibili i costi di elaborazione e distribuzione.












