Metadata-Version: 2.2
Name: newton-vision
Version: 1.1.2
Summary: High-Performance Computer Vision & Deep Learning Framework in C++ & CUDA with PyTorch Parity
Keywords: deep-learning,computer-vision,cuda,autograd,cnn,resnet,mobilenet,cpp
Author-Email: newton-vision Core Team <info@newton-vision.org>
Classifier: Development Status :: 5 - Production/Stable
Classifier: Intended Audience :: Developers
Classifier: Intended Audience :: Science/Research
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Classifier: Programming Language :: Python :: 3.12
Classifier: Programming Language :: Python :: 3.13
Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
Classifier: Topic :: Scientific/Engineering :: Image Processing
Project-URL: Homepage, https://github.com/onur/newton-vision
Project-URL: Documentation, https://github.com/onur/newton-vision/tree/master/docs
Project-URL: Repository, https://github.com/onur/newton-vision.git
Requires-Python: >=3.9
Requires-Dist: numpy>=1.20.0
Description-Content-Type: text/markdown

# 🌌 newton-vision

> **PyTorch ekosistemiyle birlikte çalışabilen, deneysel araştırmalar ve eğitim amacıyla geliştirilen, C++17 ve CUDA çekirdekli hafif bir derin öğrenme framework'üdür.**

[![PyPI Version](https://img.shields.io/pypi/v/newton-vision.svg?color=blue)](https://pypi.org/project/newton-vision/)
[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
[![Build Status](https://img.shields.io/github/actions/workflow/status/onur/newton-vision/build_wheels.yml?branch=main)](https://github.com/onur/newton-vision/actions)

---

## ❓ 5 Temel Soruda `newton-vision`

### 1. Bu Proje Nedir?
`newton-vision`, yönlü türev grafı (Autograd), evrişimsel sinir ağları (CNN), Vision Transformer (ViT) ve INT8 Kuantizasyon motorunu sıfırdan C++17, CUDA ve Python ile gerçekleyen şeffaf bir derin öğrenme framework'üdür.

### 2. Neden Var?
Derin öğrenme algoritmalarının arkasındaki matematiksel ve donanımsal mantığı (L1/L2 Cache Locality, SIMD AVX2, Topolojik Autograd Sıralaması) şeffaf bir şekilde göstermek, deneyler yapmak ve C++ ortamında bağımsız hızlı çıkarım (inference) çalıştırmak için geliştirilmiştir.

### 3. Kim Kullanmalı?
- Derin öğrenme motorlarının mutfağını ve C++ donanım ivmelendirmesini öğrenmek isteyen **araştırmacılar ve öğrenciler**.
- PyTorch'ta eğittiği modelleri Python bağımlılığı olmadan C++ ortamında veya INT8 kuantize olarak çalıştırmak isteyen **mühendisler**.

### 4. Kim Kullanmamalı?
- Petabaytlarca veri üzerinde binlerce GPU ile devasa LLM (Large Language Model) veya üretim dağıtık eğitimi yapmayı hedefleyen **büyük endüstriyel dağıtık sistem ekipleri** (PyTorch / JAX kullanmaya devam etmelidirler).

### 5. PyTorch İle İlişkisi Ne?
`newton-vision`, PyTorch'un bir rakibi veya "katili" değildir. PyTorch `.pth` `state_dict` ağırlıklarını birebir yükleyebilen, PyTorch ekosistemiyle uyumlu çalışan bir kardeş altyapıdır.

---

## 🔬 Araştırma & Deney Notları (`research/`)

- **[0001-im2col-vs-direct-conv.md](research/0001-im2col-vs-direct-conv.md)**: `im2col + GEMM` L1/L2 Önbellek Verimliliği ve 10x Hızlanma Analizi.
- **[0003-int8-quantization.md](research/0003-int8-quantization.md)**: Per-Channel INT8 Kuantizasyon ve Outlier İzolasyon Matematiği.

---

## 📊 Şeffaf & Bilimsel Benchmark Sonuçları

`Intel64 Family 6 (12 Threads)` üzerinde PyTorch v2.6.0 CPU ile dürüst ve istatistiksel karşılaştırma:

| Model | Framework | Mean (ms) | Std (ms) | Min (ms) | Max (ms) | FPS | Karşılaştırma |
|---|---|---|---|---|---|---|---|
| **ViT-Tiny (Transformer)** | newton-vision | **210.62** | ±18.33 | 174.47 | 240.62 | **4.7** | **2.28x Hızlı** 🚀 |
| | PyTorch CPU | 472.23 | ±29.48 | 458.22 | 585.02 | 2.1 | Base |
| **ResNet-18** | newton-vision | **119.95** | ±12.37 | 98.28 | 146.52 | **8.3** | **4.63x Yavaş** |
| | PyTorch CPU | 25.90 | ±0.77 | 24.97 | 27.74 | 38.6 | Base |
| **MobileNetV2** | newton-vision | **4842.70** | ±819.54 | 3619.07 | 7078.85 | **0.2** | **81.01x Yavaş** |
| | PyTorch CPU | 59.78 | ±2.94 | 54.99 | 66.91 | 16.7 | Base |

---

## 🚀 Hızlı Başlangıç (Quick Start)

```bash
pip install newton-vision
```

```python
import newton_vision as nv
import numpy as np

# 1. Tensör Tanımlama
x = nv.Tensor(np.random.randn(1, 3, 224, 224), requires_grad=True)

# 2. Vision Transformer Modeli
model = nv.models.vit_tiny(num_classes=1000)

# 3. İleri Geçiş (Forward Pass)
logits = model(x)
print("Logits Shape:", logits.data.shape) # (1, 1000)
```

---

## 📂 Örnekler & Öğreticiler (Examples vs Tutorials)

### ⚡ Örnek Projeler (`examples/`):
1. **[01_image_classification_lenet.py](examples/01_image_classification_lenet.py)** — MNIST Görsel Sınıflandırma
2. **[02_resnet18_pytorch_weights.py](examples/02_resnet18_pytorch_weights.py)** — PyTorch Ağırlık Aktarımı
3. **[03_vit_transformer_inference.py](examples/03_vit_transformer_inference.py)** — Vision Transformer (ViT) Çıkarımı
4. **[04_int8_quantization_demo.py](examples/04_int8_quantization_demo.py)** — INT8 Kuantizasyon Demosu
5. **[05_onnx_export_guide.py](examples/05_onnx_export_guide.py)** — ONNX Export Rehberi

### 🎓 Derin Öğreticiler (`tutorials/`):
1. **[01_train_mnist.py](tutorials/01_train_mnist.py)** — Tekrarlanabilir MNIST Eğitimi & INT8 Accuracy Drop Deneyi
2. **[live_3stage_demo.py](tutorials/live_3stage_demo.py)** — 3 Aşamalı Canlı Karşılaştırma, Hibrit Kullanım & Saf Eğitim

---

## 📜 Yönetişim & Dokümantasyon

- **[CONTRIBUTING.md](CONTRIBUTING.md)**: Katkı Sağlama Rehberi
- **[SECURITY.md](SECURITY.md)**: Güvenlik Politikası
- **[CHANGELOG.md](CHANGELOG.md)**: Semantik Sürüm Geçmişi
- **[WIKI.md](WIKI.md)**: GitHub Wiki & Kullanım Rehberi

---

## 📜 Lisans

Bu proje [MIT Lisansı](LICENSE) ile lisanslanmıştır.
