我们正式发布 OrionVis —— 一个面向 PyTorch 的轻量级计算机视觉工作包，专注“特征提取与处理”这一核心环节。用更少代码，更稳定的抽取方式，统一模型、权重与预处理，快速供给下游任务需求，让你的实验和生产都更顺畅。

👁️‍🗨️ 为什么选择 OrionVis

• 一行加载骨干模型：orionvis.load("mobilemamba_b1s")

• 稳定的中间层输出：兼容 torch.fx 与 Hook 的双路径，复杂模块也能稳提

• 统一预处理仓库：注册式 Transform，分类任务可直接产出可用输入

• 权重即插即用：YAML 索引 + 懒加载代理，支持缓存与断点续传

• 贴近工程环境：内置 CUDA 扩展加速核心算子，兼顾速度与内存

➰ 核心功能

• 统一骨干加载：resnet*、dinov2_*、dinov3_*、mobilemamba_*、`tresnet*`

• 特征提取 API：create_feature_extractor(model, return_nodes=...)

• 预处理注册：get_transform("mobilemamba_b1s")

• 权重管理：get_weights("mobilemamba_b1s")，自动下载与缓存

• CUDA 扩展：Selective Scan、InPlace-ABN，训练与推理更高效

• Hub 生态：orionvis.hub.load("bluemoon-o2/orionvis:v1.1.3", "wide_resnet50_2")

↘️ 预编译版本分发

• 要求：Python 3.9+，PyTorch 2.0+

• Windows 用户可使用我们提供的 build.bat 进行源代码构建(需要CUDA Kits)

🚀 一分钟上手

🍃 特征工程更顺滑

• 中间层命名清晰：以模块路径指定节点，可通过print(model) 精确查找

• 复杂模块可追踪：可选择对 InPlaceABN 等模块执行叶子化处理，避免 torch.fx 报错

• Hook 兜底：预设hook模式，或fx 失败时自动切换到 Hook 方案，稳定产出特征

♨️ 愿景与演进

⚓ 性能与工程

• CUDA 加速：Selective Scan、InPlace-ABN 提供高性能后端

• 懒下载与缓存：权重按需取用，避免重复 IO

• 面向生产：API 简单稳定，易于集成到现有推理与服务框架

🔜 路线图

• 增加更多主流与前沿骨干

• 更丰富任务的 Transform 模块

• 更细粒度的特征路由

🔁 获取与反馈

GitHub - bluemoon-o2/orionvis: orionvis streamlines common CV workflows in PyTorch.

orionvis streamlines common CV workflows in PyTorch. - bluemoon-o2/orionvis

https://github.com/bluemoon-o2/orionvis

orionvis

A Python package for computer vision tasks with integrated CUDA extensions.

https://pypi.org/project/orionvis/