宝贵时光 质量时间是用于软件开发和维护的自动化质量系统。 Quality-time从Gitlab，SonarQube，Jira，Azure DevOps和OWASP Dependency Check等来源收集测量数据，以概述软件产品和项目的质量。 它通过将度量数据与度量标准目标进行比较，并通知开发团队有关需要改进措施的度量标准来做到这一点。 从技术上讲， Quality-time由一个React前端，一个Mongo数据库服务器和三个用Python编写的后端组件组成：一个API服务器，一个从源收集度量数据的工作程序组件和一个用于发送通知的工作程序组件。 用户可以在前端中添加和配置报告，指标和来源（例如SonarQube和Jira）。 收集器从已配置的度量标准源收集度量标准数据。 它将测量结果发布到服务器，然后服务器将其存储在数据库中。 前端调用服务器以获取报告和测量并将其呈现给用户。

CNNIQAplusplus 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE --model=CNNIQAplusplus 训练前， im_dir在config.yaml被指定必须的。 可视化 tensorboard --logdir=tensorboard_logs --port=6006 # in the server (host:port) ssh -p port -L 6006:localhost:6006 user@host # in your PC. See the visualization in your PC 要求 conda create -n reproducib

一个从开源项目 综合数据生成项目的指标 网址： ： 文档： : 仓库： : 执照： 发展状况： 概述 SDMetrics库提供了一组与数据集无关的工具，用于通过将综合数据库与建模后的真实数据库进行比较来评估综合数据库的质量。 它支持多种数据模式： 单列：比较代表各个列的一维numpy数组。 列对：比较pandas.DataFrame列如何pandas.DataFrame关联（以2组为一组）。 单个表：比较整个表，以pandas.DataFrame表示。 多表：将以python dict表示的多表和关系数据集与以pandas.DataFrame传递的多个表进行pandas.DataFrame 。 时间序列：比较代表事件顺序的表格。 它包括各种指标，例如： 使用统计检验比较实际和合成分布的统计量度。 使用机器学习来尝试区分真实数据和合成数据的检测指标。 效能

CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

FFmpeg质量指标 使用FFmpeg计算质量指标的简单脚本。 目前支持PSNR，SSIM和VMAF。 它将输出： 每帧指标 每个组件（Y，U，V）的指标 全局统计（最小/最大/平均值/标准偏差） 作者：Werner Robitza 内容： 要求 Python 3.6或更高版本 FFmpeg： Linux：从下载git master版本。 可以在找到安装说明以及如何将FFmpeg和FFprobe添加到PATH中。 macOS：从下载快照版本。 Windows：从下载FFmpeg二进制文件。 git essentials就足够了。 将ffmpeg可执行文件放入$PATH 。 可以使用Homebrew来安装FFmpeg，但是建议您使用上面链接的FFmpeg构建之一，否则将使用libvmaf <v2.0.0，这要慢大约2倍（ ）。 安装 pip3 install ffmp