ZenSVI 开源项目最佳实践
2025-05-28 23:55:15作者:贡沫苏Truman
1. 项目介绍
ZenSVI 是一个全面的 Python 包,用于下载、清洗和分析街景图像。该项目由 Koichi Ito(新加坡国立大学)开发,并提供了详尽的 API 文档和使用案例。ZenSVI 支持多种数据源,包括 Mapillary、KartaView、Amsterdam 和 NUS Global Streetscapes 数据集,使得用户能够轻松地获取和处理街景图像。
2. 项目快速启动
在开始使用 ZenSVI 之前,请确保您已经安装了必要的依赖项。以下是快速启动项目的步骤:
首先,安装 ZenSVI:
pip install zensvi
接下来,根据您需要的数据源安装相应的下载器:
from zensvi.download import MLYDownloader
mly_api_key = "YOUR_OWN_MLY_API_KEY" # 请注册并获取您自己的 Mapillary API 密钥
downloader = MLYDownloader(mly_api_key=mly_api_key)
# 以下是一个使用 Mapillary 数据源的例子
downloader.download_svi("path/to/output_directory", lat=1.290270, lon=103.851959)
上述代码将会从 Mapillary 下载指定经纬度位置的街景图像到指定的输出目录。
3. 应用案例和最佳实践
下载街景图像
使用 ZenSVI,您可以轻松地从不同数据源下载街景图像。以下是一些示例:
- 从 Mapillary 下载数据:
from zensvi.download import MLYDownloader
downloader = MLYDownloader(mly_api_key="YOUR_OWN_MLY_API_KEY")
downloader.download_svi("path/to/output_directory", input_csv_file="path/to/csv_file.csv")
- 从 KartaView 下载数据:
from zensvi.download import KVDownloader
downloader = KVDownloader()
downloader.download_svi("path/to/output_directory", input_place_name="Singapore")
分析街景图像元数据
您可以使用 ZenSVI 分析图像元数据:
from zensvi.metadata import MLYMetadata
path_input = "path/to/input"
mly_metadata = MLYMetadata(path_input)
mly_metadata.compute_metadata(unit="image", indicator_list="all", path_output="path/to/output")
运行图像分割
对图像进行语义分割:
from zensvi.cv import Segmenter
segmenter = Segmenter(dataset="cityscapes", task="semantic")
segmenter.segment("path/to/input_directory", dir_image_output="path/to/image_output_directory", dir_summary_output="path/to/segmentation_summary_output")
运行场景分类
使用 Places365 进行场景分类:
from zensvi.cv import ClassifierPlaces365
classifier = ClassifierPlaces365()
classifier.classify("path/to/input_directory", dir_image_output="path/to/image_output_directory", dir_summary_output="path/to/classification_summary_output")
4. 典型生态项目
ZenSVI 作为街景图像处理工具,可以广泛应用于城市规划、交通分析、环境监测等领域。以下是一些典型的生态项目:
- 城市安全评估:使用 ZenSVI 下载街景图像,并通过图像分析评估城市不同区域的安全状况。
- 城市美化计划:通过分析街景图像,确定哪些区域需要绿化或美化,以提升城市整体形象。
- 交通流量分析:利用 ZenSVI 下载的图像,分析交通流量和车辆类型,为交通规划提供数据支持。
通过以上步骤和实践,您可以开始使用 ZenSVI 进行街景图像的下载、清洗和分析,并为各种实际应用提供支持。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
CAP基于最终一致性的微服务分布式事务解决方案,也是一种采用 Outbox 模式的事件总线。C#00
热门内容推荐
最新内容推荐
3种实用方案解决软件试用期管理难题SMUDebugTool:重新定义AMD Ryzen硬件调试的开源解决方案企业级视频本地化:技术架构与商业落地指南4个效率优化维度:Kronos金融大模型资源配置与训练实战指南3步打造高效键盘效率工具:MyKeymap个性化配置指南RapidOCR:企业级本地化OCR工具的技术解析与应用实践开源小说下载工具:实现网络小说本地存储的完整方案Detect-It-Easy技术教程:精准识别PyInstaller打包文件的核心方法GDevelop零代码游戏开发:3大痛点解决方案与实战案例高效解决知识星球内容备份难题:完全掌握zsxq-spider从爬取到PDF的知识管理方案
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
651
4.23 K
deepin linux kernel
C
27
14
Ascend Extension for PyTorch
Python
487
598
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
390
280
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.53 K
886
Oohos_react_native
React Native鸿蒙化仓库
JavaScript
332
387
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
937
854
暂无简介
Dart
900
215
昇腾LLM分布式训练框架
Python
141
167
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
123
194