quickai

QuickAI ist eine Python-Bibliothek, die das Experimentieren mit modernsten Modellen für maschinelles Lernen extrem einfach macht.

PyPI-Zähler
PyPI-Zähler
PyPI-Zähler
Github-Sterne

Hinweis: Auch wenn Sie YOLO nicht verwenden, benötigen Sie dennoch eine Datei in Ihrem aktuellen Arbeitsverzeichnis mit dem Namen coco.names. Wenn Sie YOLO nicht verwenden, kann diese Datei leer sein.

Ankündigungsvideo

Demo https://deepnote.com/project/QuickAI-1r_4zvlyQMa2USJrIvB-kA/%2Fnotebook.ipynb

Motivation

Als ich anfing, mich mit fortgeschrittenerem maschinellen Lernen zu beschäftigen, begann ich zu sehen, wie diese berühmten neuronalen Netzwerkarchitekturen (wie EfficientNet) erstaunliche Dinge leisteten. Als ich jedoch versuchte, diese Architekturen auf Probleme zu implementieren, die ich lösen wollte, wurde mir klar, dass es nicht ganz einfach war, diese Architekturen zu implementieren und schnell damit zu experimentieren. Hier kam QuickAI ins Spiel. Es ermöglicht das einfache und schnelle Experimentieren vieler Modellarchitekturen.

Abhängigkeiten:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy und Hugging Face Transformers. Sie sollten TensorFlow und PyTorch gemäß den Anweisungen auf den jeweiligen Websites installieren.

Docker-Container:

Um die Einrichtung aller oben genannten Abhängigkeiten zu vermeiden, können Sie den QuickAI Docker Container verwenden:

Ziehen Sie zuerst den Container: docker pull geekjr/quickai

Führen Sie es dann aus:

• CPU (auf einem Apple Silicon Mac benötigen Sie das Flag --platform linux/amd64 und Rosetta 2 installiert): docker run -it geekjr/quickai bash

• GPU: docker run --gpus all -it geekjr/quickai bash

Warum Sie QuickAI verwenden sollten

QuickAI kann den Code, der mehrere Dutzend Zeilen erfordern würde, auf ein bis zwei Zeilen reduzieren. Dadurch wird schnelles Experimentieren sehr einfach und sauber. Wenn Sie beispielsweise EfficientNet auf Ihrem eigenen Datensatz trainieren möchten, müssten Sie den Datenlade-, Vorverarbeitungs-, Modelldefinitions- und Trainingscode manuell schreiben, was viele Codezeilen umfassen würde. Bei QuickAI hingegen erfolgen alle diese Schritte automatisch mit nur 1–2 Zeilen Code.

Derzeit werden folgende Modelle unterstützt:

1. Bildklassifizierung

   • EfficientNet B0-B7
   • VGG16
   • VGG19
   • DenseNet121
   • DenseNet169
   • DenseNet201
   • Inception ResNet V2
   • Inception V3
   • MobileNet
   • MobileNet V2
   • MobileNet V3 klein und groß
   • ResNet 101
   • ResNet 101 V2
   • ResNet 152
   • ResNet 152 V2
   • ResNet 50
   • ResNet 50 V2
   • Xception

2. Verarbeitung natürlicher Sprache

   • GPT-NEO 125M (Generierung, Inferenz)
   • GPT-NEO 350M (Generierung, Inferenz)
   • GPT-NEO 1.3B (Generierung, Inferenz)
   • GPT-NEO 2.7B (Generierung, Inferenz)
   • GPT-J 6B (Generierung, Inferenz)-BETA
   • Destillieren Sie BERT in Hüllen (Fragen und Antworten, Schlussfolgerung und Feinabstimmung)
   • Destillieren Sie BERT Uncased (Named Entity Recognition, Inference)
   • BART destillieren (Zusammenfassung, Schlussfolgerung)
   • Destillieren Sie BERT Uncased (Stimmungsanalyse und Text-/Token-Klassifizierung, Inferenz und Feinabstimmung)

3. Objekterkennung

   • YOLOV4
   • YOLOV4 Winzig

Installation

pip install quickAI

Wie zu verwenden

Weitere Informationen finden Sie im Beispielordner. Für YOLOV4 können Sie hier Gewichte herunterladen. Die vollständige Dokumentation finden Sie im Wiki-Bereich des Repos.

Probleme/Fragen

Wenn Sie auf Fehler stoßen, öffnen Sie bitte ein neues Problem, damit diese behoben werden können. Wenn Sie allgemeine Fragen haben, nutzen Sie bitte den Diskussionsbereich.

Credits

Der größte Teil des Codes für die YOLO-Implementierungen wurde den Repos tensorflow-yolov4-tflite und YOLOv4-Cloud-Tutorial von „The AI ​​Guy“ entnommen. Ohne dies wäre die YOLO-Implementierung nicht möglich. Danke schön!