napari: a multi-dimensional image viewer for Python
Notice bibliographique
Résumé
napari 0.5.1 ⚠️ Note: these release notes are still in draft while 0.5.1 is in alpha/release candidate testing. ⚠️ Wednesday, Jul 24, 2024 We're happy to announce the release of napari 0.5.1! napari is a fast, interactive, multi-dimensional image viewer for Python. It's designed for exploring, annotating, and analyzing multi-dimensional images. It's built on Qt (for the GUI), VisPy (for performant GPU-based rendering), and the scientific Python stack (NumPy, SciPy, and friends). For more information, examples, and documentation, please visit our website: https://napari.org/ Highlights napari 0.5.1 is a bugfix release hot on the heels of napari 0.5.0. It fixes a critical bug with creating viewers multiple times within a single IPython/Jupyter session (#7106), as well as regressions with viewing multiscale 3D time series (#7103) and with converting image layers to labels layers (#7095). It also fixes a bug with NumPy 2 support (#7104 and our storing of layer axis info when using the channel_axis keyword argument for images (#7089). Read on for the full list of changes since the last version from just two weeks ago! Improvements [enh] add an add_plane convenience method to ClippingPlaneList (#6921) Cleanup _image_key_bindings (#7116) Add napari-plugin-manager to optional info list (#7117) Bug Fixes Move the _is_created assignment to the top (#5078) Fix handling of units and axis_labels in add_image (#7089) Fix label conversion with proj mode (#7095) Account for displayed dimensions in multiscale translate adjustment (#7103) fix call of np.clip in _update_thumbnail (#7104) Always add Empty context key, even if action is already registered (#7106) Documentation Add link to partners in README.md (#7069) Restore README image (#7098) Update docs constraints files for new napari-sphinx-theme release (#7111) Update Makefile to be consistent (docs#448) Use plausible configuration by the PyData Sphinx Theme (docs#453) More fixes to contributing documentation guide (docs#454) Add location field to community calendar (docs#455) Fix footer items (docs#456) Add docs about the new napari-base structure (docs#457) Add draft 0.5.1 release notes (docs#464 Other Pull Requests Remove ready to merge on update of constraints PR (#6984) Add actionlint on CI (#7049) fix: set target_commitish for commit sha to fix benchmarks (#7091) Use viewer.layers instead of _layers.model().sourceModel()._root for dummy context creation (#7109) Limit setuptools vesion for minimum requirements test (#7110) [Maint] Update dockerfile for xpra source change (#7115) Update version switcher to include 0.5.0 (docs#452) deploy docs on manual trigger (docs#462) Add actionlint to prevent GHA workflow errors (docs#463) 9 authors added to this release (alphabetical) (+) denotes first-time contributors 🥳 danieldegroot2 - @danieldegroot2 + Draga Doncila Pop - @DragaDoncila Grzegorz Bokota - @Czaki jaime rodriguez-guerra - @jaimergp Juan Nunez-Iglesias (docs) - @jni Lorenzo Gaifas - @brisvag Markus Stabrin - @mstabrin Melissa Weber Mendonça (docs) - @melissawm Peter Sobolewski - @psobolewskiPhD 11 reviewers added to this release (alphabetical) (+) denotes first-time contributors 🥳 andrew sweet - @andy-sweet Draga Doncila Pop - @DragaDoncila Genevieve Buckley - @GenevieveBuckley Grzegorz Bokota - @Czaki jaime rodriguez-guerra - @jaimergp Juan Nunez-Iglesias (docs) - @jni Lorenzo Gaifas - @brisvag Lucy Liu - @lucyleeow Melissa Weber Mendonça (docs) - @melissawm Peter Sobolewski - @psobolewskiPhD Wouter-Michiel Vierdag - @melonora
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,288 | 0,248 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».