Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Выступление сообщества машинного обучения — глубокое обучение с PyTorch ONNX
Выступление сообщества машинного обучения — Глубокое обучение с PyTorch и ONNX
Видео «Стандарт сообщества машинного обучения — глубокое обучение с PyTorch и ONNX» охватывает различные темы, связанные с машинным обучением, PyTorch и ONNX. В одном разделе рассказывается о переобучении и о том, как предотвратить его в нейронных сетях с помощью отсева и перекрестной проверки. Организаторы также рассказывают о различных проектах машинного обучения на базе сообщества и предстоящих мероприятиях по использованию .NET с машинным обучением. Видео также представляет PyTorch, популярную библиотеку машинного обучения, используемую для компьютерного зрения и обработки естественного языка, с различными встроенными модулями, такими как факельное зрение и преобразования. Докладчики объясняют формат ONNX для представления моделей машинного обучения и его среду выполнения для выполнения логических выводов и обучения на нескольких языках. В руководстве также обсуждается, как использовать предварительно созданные модели в зоопарке моделей PyTorch, и рассматривается отладка и управление пакетами и средами Python с использованием Jupyter Notebooks и Anaconda. Кроме того, в руководстве рассматриваются подробности обучения и экспорта модели PyTorch с использованием ONNX, которую можно использовать со средой выполнения ONNX для повышения производительности моделей.
В видео также обсуждаются различные темы, связанные с машинным обучением и глубоким обучением. Докладчики рассказывают об использовании SkiaSharp для обработки изображений в Xamarin и ограничениях моделей на устройстве из-за их размера, но отмечают преимущества наличия моделей на устройстве. Они также предлагают различные ресурсы для изучения теории машинного обучения, такие как класс Эндрю Нг Coursera и класс прикладного машинного обучения, который дает высокоуровневую информацию об использовании инструментов и библиотек для создания моделей машинного обучения. Также упоминается важность наличия цели при изучении машинного обучения и включения обучения в свою работу. Наконец, спикер намекает на предстоящий контент, который может заинтересовать аудиторию.
Object-Detection Yolov7, ML.NET ONNX model
Object-Detection Yolov7, ML.NET ONNX model
https://github.com/ptiszai/Object-Detection-yolov7-ML.NET-onnx
Реализация модели Yolo3 в реальном времени с помощью C#
Реализация модели Yolo3 в реальном времени с помощью C#
https://github.com/duonghb53/YoloOnCSharpGPU
Распознавание лиц с помощью C# и OpenCVSharp — группа пользователей ML.NET 19.01.2022
Распознавание лиц с помощью C# и OpenCVSharp — группа пользователей ML.NET 19.01.2022
Видеоруководство по распознаванию лиц с помощью OpenCVSharp в C# началось с того, что докладчик представил библиотеку OpenCVSharp, библиотеку с открытым исходным кодом для задач компьютерного зрения, с оболочкой .NET. В видео обсуждается использование различных классификаторов для обнаружения, в том числе для глаз, и важность экспериментов при выборе классификатора. Учебное пособие помогло слушателю создать программу для распознавания лиц и глаз с помощью веб-камер с помощью фрагментов кода, визуальной студии и интерактивных блокнотов .NET. Также были проработаны различные аспекты, в том числе то, как накладывать прозрачные изображения и правильно обрабатывать матовые объекты. Докладчик признал простоту использования, скорость и совместимость OpenCVSharp с .NET, но также отметил отсутствие примеров и ненадежную долгосрочную поддержку.
Прогнозирование модели Custom Vision ONNX с помощью ML.NET
Прогнозирование модели Custom Vision ONNX с помощью ML.NET
В этом видео на YouTube докладчик обсуждает использование ML.NET для прогнозирования на основе пользовательской модели ONNX. Это включает в себя экспорт модели из пользовательской службы машинного зрения и ее импорт в проект ML.NET. Реализация включает в себя изменение размера изображений, извлечение пикселей изображения, создание контекста данных и пустого списка данных для загрузки данных изображения, использование платформы ML.NET для прогнозирования модели и вывод результатов. Видео также демонстрирует, как получить выходное имя модели с помощью инструмента под названием Neuron и как получить информацию о ограничивающей рамке из модели для заданного тестового изображения. В докладчике также показано, как нарисовать прямоугольник вокруг ограничительной рамки и отобразить предсказанные метки с помощью Graphics API. Реализация модели ONNX с использованием ML.NET API и изменение размера изображения подчеркивается как наиболее важная часть реализации.
Делаем нейронные сети переносимыми с помощью ONNX
Делаем нейронные сети переносимыми с помощью ONNX
В этом видео на YouTube Рон Дагдаг объясняет, как сделать нейронные сети переносимыми с помощью ONNX, уделяя особое внимание стороне машинного обучения, связанной с логическими выводами. ONNX — это платформа с открытым исходным кодом, которая обеспечивает переносимость моделей машинного обучения между различными процессорами и устройствами. Спикер обсуждает процесс преобразования моделей в ONNX, развертывание и интеграцию модели с приложениями, а также ее использование для облачного и периферийного развертывания. Они также демонстрируют, как загрузить модель ONNX в Node.js и интегрировать модели классификации изображений в веб-приложения и мобильные приложения с помощью среды выполнения ONNX. Модели ONNX — это открытый стандарт, который может быть создан из различных сред для эффективного развертывания на целевой платформе.
В .NET Live — AI везде: Azure ML и среда выполнения ONNX
В .NET Live — AI везде: Azure ML и среда выполнения ONNX
Видео «В .NET Live — AI везде: Azure ML и среда выполнения ONNX» посвящено использованию Azure ML и среды выполнения ONNX для машинного обучения с помощью C#. Докладчики обсуждают преимущества использования формата ONNX для экспорта моделей между языками программирования, оптимизацию среды выполнения ONNX для аппаратного ускорения и логического вывода, а также ее совместимость с конкретными версиями платформы. Они также демонстрируют, как использовать среду выполнения ONNX с Azure ML в Python и .NET, создают и обучают модель нейронной сети, а также объясняют вывод и его последний этап в машинном обучении. Видео завершается введением нового провайдера для среды выполнения ONNX, который позволяет использовать OpenVINO для ЦП ARM, предоставляя возможности отладки.
В этом разделе видео ведущие обсуждают гибкость и настраиваемость среды выполнения ONNX, а также ее способность работать на различных аппаратных и программных платформах. Среда выполнения ONNX считается отличной оболочкой для разных платформ, поскольку клиенты могут использовать ее в облаке, Android, iOS или процессоре Snapdragon, и она позволяет быстрее делать выводы.
Berlin Buzzwords 2019: Лестер Солбаккен — Масштабирование ONNX и оценка модели TensorFlow в поиске
Berlin Buzzwords 2019: Лестер Солбаккен — Масштабирование ONNX и оценка модели TensorFlow в поиске
Лестер Солбаккен обсуждает проблемы масштабирования машинного обучения для поисковых приложений и предлагает решение, альтернативное использованию внешних серверов моделей. Он предлагает оценивать модели машинного обучения на узлах контента, а не отправлять данные на внешние серверы моделей, чтобы улучшить масштабируемость и контролировать задержку и пропускную способность. Солбаккен подчеркивает, что Vespa использует собственный язык ранжирования и расширение тензорного API, чтобы упростить создание декларативного пакета состояния для приложения, а также постоянные усилия по поддержке моделей машинного обучения в Vespa. Он подчеркивает важность понимания корреляции между различными этапами ранжирования, чтобы избежать проблем с поиском на уровне системы, и призывает людей вносить свой вклад в проект с открытым исходным кодом.
Ассимиляция ONNX
Ассимиляция ONNX
В этом видео ведущий представляет ONNX как открытый стандарт взаимодействия машинного обучения, который может работать на всех различных платформах. Они проходят процесс создания проекта ONNX с нуля, настройки примера из репозитория Microsoft, устранения неполадок и изучения других проектов Github, связанных с ONNX. Затем они тестируют привязку ONNX с использованием GPT2 и CUDA, выражая заинтересованность в дальнейшем изучении привязок среды выполнения ONNX для Rust в будущем. Докладчик отмечает универсальность и мобильность ONNX и видит в нем хороший инструмент для экспериментов и создания более масштабных проектов в будущем.
HITNET vs ACVNet Neural Stereo Depth Estimation Comparison (ONNX)(ONNX)
HITNET vs. ACVNet Neural Stereo Depth Estimation (ONNX)
Сравнение моделей оценки глубины стереозвука HITNET и ACVNet в наборе данных Driving Stereo.
Детали вывода модели (NVIDIA 1660 SUPER):
HITNET (640X480): 220 мс
ACVNet (640x384): 480 мс
Ссылки: [Вывод HITNET] https://github.com/ibaiGorordo/ONNX-HITNET-Stereo-Depth-estimation
[Вывод ACVNet] https://github.com/ibaiGorordo/ONNX-ACVNet-Stereo-Depth-Estimation
[Набор данных для стерео] https://drivingstereo-dataset.github.io/