00:40:00 このセクションでは、プレゼンターが画像をオーバーレイする方法を実演し、IamReadModes を変更せずに使用して画像の透明要素を保持することの重要性を説明します。彼らは例としてサングラスを使用し、すべてを完璧にする時間がなかったため、コードが最適化されていないことを認めています。また、顔の四角形の x 座標と y 座標を使用する代わりに、サングラスを着地させたい座標をハードコーディングすることでごまかします。プレゼンターは、実際のシナリオでは、オーバーレイを配置する場所を知るために x 座標と y 座標を MakeOverlay メソッドに渡す必要があると説明しています。さらに、四角形の大きさに基づいてオーバーレイ画像のサイズを変更するために使用する必要がある Resize メソッドについて言及していますが、これは彼らの不正行為の例では必要ありません。
Learn how you can quickly and easily perform face detection in C# using OpenCVSharp. OpenCvSharp is a cross platform wrapper of OpenCV for .NET. We'll explor...
How to use a model from the Custom Vision service in ML.NET to make predictions.Code - https://github.com/jwood803/MLNetExamples/blob/master/MLNetExamples/Cu...
How can you create and deploy AI models that work across different platforms and environments? On this week’s episode, Mauro Bennici joins the panel to show ...
With the advances in deep learning and the corresponding increase in machine learning frameworks in recent years, a new class of software has emerged: model ...
Comparison of the HITNET and ACVNet stereo depth estimation models in the Driving Stereo dataset.Model Inference details (NVIDIA 1660 SUPER):HITNET (640X480)...
The #NVIDIATAO Toolkit, built on TensorFlow and PyTorch, is a low-code AI solution that lets developers create custom AI models using the power of transfer l...
オブジェクト検出 Yolov7、ML.NET onnx モデル
オブジェクト検出 Yolov7、ML.NET onnx モデル
https://github.com/ptiszai/Object-Detection-yolov7-ML.NET-onnx
C# を使用して Yolo3 Real-time を実装する
C# を使用して Yolo3 Real-time を実装する
https://github.com/duonghb53/YoloOnCSharpGPU
C# と OpenCVSharp を使用した顔検出 - 実用的な ML.NET ユーザー グループ 2022 年 1 月 19 日
C# と OpenCVSharp を使用した顔検出 - 実用的な ML.NET ユーザー グループ 2022 年 1 月 19 日
C# で OpenCVSharp を使用した顔検出に関するビデオ チュートリアルは、講演者がコンピューター ビジョン タスク用のオープンソース ライブラリである OpenCVSharp ライブラリを .NET ラッパーと共に紹介するところから始まりました。ビデオでは、目などの検出にさまざまな分類器を使用すること、および分類器の選択における実験の重要性について説明しました。このチュートリアルでは、リスナーが、コード スニペット、ビジュアル スタジオ、および .NET インタラクティブ ノートブックを使用して、Web カメラを使用して顔と目を検出するプログラムを作成するのを支援しました。透明な画像をオーバーレイする方法やマット オブジェクトを適切に処理する方法など、さまざまな側面についても詳しく説明されました。講演者は、OpenCVSharp の使いやすさ、速度、および .NET との互換性を認めましたが、例の欠如と不確実な長期サポートについても指摘しました。
ML.NET を使用した Custom Vision ONNX モデルでの予測
ML.NET を使用した Custom Vision ONNX モデルでの予測
この YouTube ビデオでは、プレゼンターが ML.NET を使用してカスタム ビジョン ONNX モデルを予測する方法について説明しています。これには、カスタム ビジョン サービスからのモデルのエクスポートと、ML.NET プロジェクトへのインポートが含まれます。実装には、画像のサイズ変更、画像ピクセルの抽出、画像データを読み込むためのデータ コンテキストと空のデータ リストの作成、ML.NET フレームワークを使用したモデルの予測、および結果の出力が含まれます。このビデオでは、Neuron というツールを使用してモデルの出力名を取得する方法と、特定のテスト画像のモデルからバウンディング ボックス情報を取得する方法も示しています。プレゼンターは、境界ボックスの周りに四角形を描画し、Graphics API を使用して予測されたラベルを表示する方法も示します。 ML.NET API と画像のサイズ変更を使用した ONNX モデルの実装は、実装の最も重要な部分として強調されています。
ONNX でニューラル ネットワークをポータブルにする
ONNX でニューラル ネットワークをポータブルにする
この YouTube ビデオでは、Ron Dagdag が、機械学習の推論側に焦点を当てて、ONNX を使用してニューラル ネットワークを移植可能にする方法を説明しています。 ONNX は、さまざまな処理ユニットやデバイス間での機械学習モデルの移植を可能にするオープンソース フレームワークです。講演者は、モデルを ONNX に変換し、モデルをデプロイしてアプリケーションと統合し、それをクラウドとエッジのデプロイに使用するプロセスについて説明します。また、Node.js に ONNX モデルをロードし、ONNX ランタイムを使用して画像分類モデルを Web およびモバイル アプリケーションに統合する方法も示します。 ONNX モデルは、さまざまなフレームワークから作成してターゲット プラットフォームに効率的にデプロイできるオープン スタンダードです。
On .NET Live - AI Everywhere: Azure ML と ONNX ランタイム
On .NET Live - AI Everywhere: Azure ML と ONNX ランタイム
ビデオ「On .NET Live - AI Everywhere: Azure ML と ONNX ランタイム」では、C# による機械学習に Azure ML と ONNX ランタイムを使用することに焦点を当てています。スピーカーは、プログラミング言語間でモデルをエクスポートするために ONNX 形式を使用する利点、ハードウェア アクセラレーションと推論のための ONNX ランタイムの最適化、フレームワークの特定のバージョンとの互換性について説明します。また、Python と .NET の Azure ML で ONNX ランタイムを使用する方法、ニューラル ネットワーク モデルを作成してトレーニングする方法、機械学習における推論とその最終ステップについて説明する方法も示します。ビデオは、ARM CPU で OpenVINO を使用できるようにする ONNX ランタイムの新しいプロバイダーの紹介で締めくくられ、デバッグ機能が提供されます。
ビデオのこのセクションでは、ホストが、ONNX ランタイムの柔軟性と構成可能性、およびさまざまなハードウェアおよびソフトウェア プラットフォームで実行する機能について説明します。 ONNX ランタイムは、顧客がクラウド、Android、iOS、または Snapdragon CPU で使用できるため、さまざまなプラットフォームの優れたラッパーと見なされ、より高速な推論が可能になります。
Berlin Buzzwords 2019: Lester Solbakken – 検索における ONNX と TensorFlow モデルの評価のスケーリング
Berlin Buzzwords 2019: Lester Solbakken – 検索における ONNX と TensorFlow モデルの評価のスケーリング
Lester Solbakken が、検索アプリケーションの機械学習をスケーリングする際の課題について説明し、外部モデル サーバーを使用する代わりのソリューションを提案しています。彼は、データを外部モデル サーバーに送信するのではなく、コンテンツ ノードで機械学習モデルを評価して、スケーラビリティを向上させ、レイテンシとスループットを制御することを提案しています。 Solbakken は、Vespa が独自のランキング言語と tensor API 拡張機能を使用して、アプリケーションの状態の宣言型パッケージを簡単に作成できるようにすること、および Vespa で機械学習モデルをサポートするための継続的な取り組みを強調しています。彼は、システム レベルの検索の問題を回避するために、ランキングのさまざまなフェーズ間の相関関係を理解することの重要性を強調し、人々がオープンソース プロジェクトに貢献することを奨励しています。
ONNXを同化する
ONNXを同化する
このビデオでは、プレゼンターは、すべての異なるプラットフォームで機能する機械学習の相互運用性のオープン スタンダードとして ONNX を紹介します。彼らは、ONNX プロジェクトをゼロから作成し、Microsoft リポジトリの例を微調整し、問題をトラブルシューティングし、他の ONNX 関連の Github プロジェクトを探索するプロセスを実行します。次に、GPT2 と CUDA を使用して ONNX バインディングをテストし、将来的に ONNX ランタイム Rust バインディングを調査することに関心を示しています。プレゼンターは、ONNX の多用途性と移植性に注目し、実験や将来的により重要なプロジェクトを構築するための優れたツールと見なしています。
HITNET対。 ACVNet ニューラル ステレオ深度推定の比較 (ONNX)
HITNET対。 ACVNet ニューラル ステレオ深度推定の比較 (ONNX)
Driving Stereo データセットにおける HITNET と ACVNet のステレオ深度推定モデルの比較。
モデル推論の詳細 (NVIDIA 1660 SUPER):
ヒットネット (640X480): 220ms
ACVNet (640x384): 480 ミリ秒
参考文献:[HITNET推論] https://github.com/ibaiGorordo/ONNX-HITNET-Stereo-Depth-estimation
[ACVNet 推論] https://github.com/ibaiGorordo/ONNX-ACVNet-Stereo-Depth-Estimation
[ドライビングステレオデータセット] https://drivingstereo-dataset.github.io/
NVIDIA TAO Toolkit を使用して ONNX モデルをインポート、トレーニング、最適化する
NVIDIA TAO Toolkit を使用して ONNX モデルをインポート、トレーニング、最適化する
このビデオでは、NVIDIA TAO Toolkit を使用して ONNX モデルをインポート、トレーニング、および最適化する方法を紹介しています。まず、トレーニング済みの ResNet18 モデルをダウンロードし、Pascal VOC データセットで TAO を使用して微調整し、モデルをインポートして ONNX グラフを視覚化する手順を示します。トレーニングの進行状況は TensorBoard の視覚化を使用して監視でき、ONNX 変換エラーの場合はカスタム レイヤーを使用できます。このビデオでは、損失の減少を観察し、損失を検証し、重みとバイアスを分析することによって、モデルのパフォーマンスを評価する方法についても説明しています。ユーザーは、テスト データセットとサンプル画像でモデルの精度を評価し、刈り込みと最適化を続けてさらに改善することができます。