📱Tifffile.

Tifffile — это библиотека для работы с изображениями TIFF в Python.

🔹Библиотека tifffile позволяет:

🔘Читать и записывать изображения и метаданные в форматах TIFF, BigTIFF, OME-TIFF, ImageJ, GeoTIFF, Adobe DNG, SVS, NDPI, QPTIFF, SCN и многих других, включая специализированные форматы из области биоизображений.

🔘Поддержка массивов NumPy и Zarr, включая чтение по страницам, уровням пирамид и SubIFDs.

🔘Запись изображений в многослойном, объемном, сжатом, предсказанном, тильтованном виде.

🔘Поддержка множества алгоритмов сжатия: LZW, Deflate, JPEG (8/12-бит), JPEG 2000, JPEG XL, WebP, PNG, LZMA, Zstd и других через библиотеку imagecodecs.

🔘Консольный интерфейс: можно просматривать структуру TIFF-файлов прямо из терминала.

#Python #TIFF #ImageProcessing #NumPy #Zarr #BioImage #OME #BigTIFF #Tifffile #OpenSource #ScientificPython #Microscopy #JPEG #ImageCodecs #Visualization #DataScience #ImageIO

📱Ссылка на репозиторий:
https://github.com/cgohlke/tifffile

⬇️Реакция — лучший «аргумент» для новых постов!⬇️

📱Otary.

Otary — это современная и интуитивно понятная Python-библиотека для работы с изображениями и 2D-геометрией, объединяющая простоту, наглядность и высокую производительность.

🔹Основные возможности Otary:

🔘Унификация — единое решение для работы с изображениями и геометрией без переключения между инструментами.

🔘Читаемость — код самодокументируемый, понятный даже новичкам.

🔘Производительность — построен на NumPy и OpenCV, оптимизирован для скорости.

🔘Интерактивность — идеально подходит для Jupyter-ноутбуков и живых экспериментов.

🔘Гибкость — легко расширяется и настраивается под любые задачи.

🔻Пример:

Прочитать изображение из PDF, нарисовать эллипс, обрезать, повернуть, применить порог и отобразить:

import otary as ot

im = ot.Image.from_pdf("path/to/your/file.pdf", page_nb=0)

ellipse = ot.Ellipse(foci1=[100, 100], foci2=[400, 400], semi_major_axis=250)

im = (
    im.draw_ellipses([ellipse])
    .crop(x0=50, y0=50, x1=450, y1=450)
    .rotate(angle=90, is_degree=True)
    .threshold_simple(thresh=200)
)

im.show()

✅Всё в одной библиотеке — без OpenCV, Pillow, Scikit-Image, PyMuPDF и др.

✅Максимум гибкости для визуальных задач!

#Python #Otary #ImageProcessing #ComputerVision #DataScience #OpenCV #Geometry #PDF #Jupyter #AItools #DevTools

📱Ссылка на репозиторий:
https://github.com/poupeaua/otary

📱RightWayUp.

RightWayUp - это открытая модель компьютерного зрения (Computer Vision) от команды ORTUS AI, предназначенная для определения угла поворота (roll) изображений в полном диапазоне 360° с шагом в 1° и механизмом калиброванного воздержания от ответа (calibrated abstention).

Большинство классических решений либо классифицируют поворот только с шагом 90° (0°, 90°, 180°, 270°), либо «считывают» ориентацию не по смыслу сцены, а по артефактам повернутой 8×8 сетки блоков JPEG. Кроме того, обычные модели пытаются повернуть даже те кадры, где верха и низа объективно не существует.

RightWayUp решает эти проблемы: модель возвращает точный угол по часовой стрелке (angle_cw), скор уверенности (confidence), флаг воздержания (abstain) и умеет автоматически сохранять исправленный снимок.

🔹Ключевые особенности и архитектура:

🔘Полный круг 360° с точностью до 1°: Непрерывная оценка угла поворота кадра на основе архитектуры DINOv2 (ViT) с 360-биновой классификационной головой и circular-Gaussian soft target loss.

🔘Калиброванное воздержание (Calibrated Abstention): Если на снимке нет выраженного «верха» (текстуры, сплошная стена, чистое небо, съемка поверхности строго сверху вниз), модель активирует флаг abstain, исключая ложные срабатывания в автоматических пайплайнах.

🔘Защита от читерства на JPEG-сетке (The Grid Fix): Архитектура обучена на «чистых» данных без утечки сетки сжатия (lossless cue-free rendering), благодаря чему модель анализирует реальную физику и геометрию сцены, а не артефакты ресемплинга.

🔘Результаты выше человека и мультимодальных LLM: На бенчмарке RotBench старшие версии модели показывают 100% точности при поворотах на 0/90/180/270°, опережая как живых асессоров (97–99%), так и современные мультимодальные модели вроде GPT-5 и Gemini 2.5 Pro (40–80%).

🔘Устойчивость к помехам: Изначально создавалась для систем мониторинга камер видеонаблюдения (CCTV/CHEQIT) — отлично справляется с размытием, ночной съемкой, низким разрешением и даже тепловизионными кадрами.

🔧Линейка моделей (Tiers):

🔘Pico / Nano (23M параметров): Экстремально быстрые модели (0.55 мс на GPU, 3–7 мс на CPU). Pico оптимизирована для запуска прямо в браузере через WebAssembly/ONNX Runtime Web.

🔘Fast (23M параметров, 224 px): Дистиллированная из Max версия для edge-устройств и парков камер (0.68 мс на GPU).

🔘Balanced / Pro (Каскады Fast → Max): Большинство простых кадров обрабатываются быстрой сетью Fast, а пограничные и сложные передаются тяжелой модели Max.

🔘Max (306M параметров, ViT-L/14, 280 px): Флагманская модель для максимальной точности на сложных ракурсах и датасетах.

💻Быстрый старт:

Установка:

pip install rightwayup

Использование через CLI:

# Определение угла поворота
rightwayup predict frame.jpg

# Автоматическое выравнивание с привязкой к 90° (пропускает кадры с abstain)
rightwayup fix photo.jpg --snap 90 --out upright/

Использование в Python:

from PIL import Image
from rightwayup import Orienter

# Инициализация модели (pico, nano, fast, balanced, pro, max)
orienter = Orienter(tier="balanced")

# Предсказание угла
result = orienter.predict("frame.jpg")
print(f"Поворот: {result.angle_cw}°, Уверенность: {result.confidence}, Воздержание: {result.abstain}")

# Коррекция положения
corrected_img = orienter.correct(Image.open("photo.jpg"), snap=90)

Модели доступны в форматах ONNX (FP32, FP16, INT8), Core ML (для Apple Silicon / Neural Engine) и TensorRT.

✅Лицензия: Apache 2.0 (разрешено коммерческое использование).

#RightWayUp #ComputerVision #MachineLearning #DINOv2 #AI #Python #ONNX #CoreML #ImageProcessing #DevTools #OpenSource

📱Ссылка на репозиторий:
https://github.com/ortusaitech/rightwayup