quickai

QuickAI es una biblioteca de Python que hace que sea extremadamente fácil experimentar con modelos de aprendizaje automático de última generación.

Contador PyPI
Contador PyPI
Contador PyPI
Estrellas de Github

Nota: Incluso si no está utilizando YOLO, necesitará un archivo en su directorio de trabajo actual llamado coco.names. Si no está utilizando YOLO, este archivo puede estar vacío.

Vídeo de anuncio

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

Motivación

Cuando comencé a adentrarme en el aprendizaje automático más avanzado, comencé a ver cómo estas famosas arquitecturas de redes neuronales (como EfficientNet) estaban haciendo cosas asombrosas. Sin embargo, cuando intenté implementar estas arquitecturas para los problemas que quería resolver, me di cuenta de que no era muy fácil implementar y experimentar rápidamente con estas arquitecturas. Ahí es donde entró QuickAI. Permite una experimentación sencilla y rápida de muchas arquitecturas de modelos.

Dependencias:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy y Hugging Face Transformers. Debes instalar TensorFlow y PyTorch siguiendo las instrucciones de sus respectivos sitios web.

Contenedor acoplable:

Para evitar configurar todas las dependencias anteriores, puede utilizar QuickAI Docker Container:

Primero extraiga el contenedor: docker pull geekjr/quickai

Luego ejecútelo:

• CPU (en una Mac Apple Silicon, necesitará la opción --platform linux/amd64 y Rosetta 2 instalado): docker run -it geekjr/quickai bash

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

Por qué deberías usar QuickAI

QuickAI puede reducir lo que requeriría decenas de líneas de código en 1 o 2 líneas. Esto hace que la experimentación rápida sea muy fácil y limpia. Por ejemplo, si quisiera entrenar EfficientNet en su propio conjunto de datos, tendría que escribir manualmente la carga de datos, el preprocesamiento, la definición del modelo y el código de entrenamiento, que serían muchas líneas de código. Mientras que, con QuickAI, todos estos pasos se realizan automáticamente con solo 1 o 2 líneas de código.

Actualmente se admiten los siguientes modelos:

1. Clasificación de imágenes

   • EfficientNet B0-B7
   • VGG16
   • VGG19
   • DensoNet121
   • DensoNet169
   • DensoNet201
   • Inicio ResNet V2
   • Inicio V3
   • red móvil
   • MobileNet V2
   • MobileNet V3 pequeño y grande
   • ResNet 101
   • ResNet 101 V2
   • Red 152
   • ResNet 152 V2
   • Red 50
   • ResNet 50 V2
   • Xcepción

2. Procesamiento del lenguaje natural

   • GPT-NEO 125M (Generación, Inferencia)
   • GPT-NEO 350M (Generación, Inferencia)
   • GPT-NEO 1.3B (Generación, Inferencia)
   • GPT-NEO 2.7B (Generación, Inferencia)
   • GPT-J 6B (Generación, Inferencia) -BETA
   • Distill BERT Cased (Preguntas y respuestas, inferencia y ajuste fino)
   • Destilar BERT sin caja (reconocimiento de entidad nombrada, inferencia)
   • Distil BART (Resumen, Inferencia)
   • Distill BERT Uncased (Análisis de sentimiento y clasificación de texto/token, inferencia y ajuste fino)

3. Detección de objetos

   • YOLOV4
   • YOLOV4 Pequeña

Instalación

pip install quickAI

como usar

Consulte la carpeta de ejemplos para obtener más detalles. Para el YOLOV4, puedes descargar los pesos desde aquí. La documentación completa se encuentra en la sección wiki del repositorio.

Problemas/Preguntas

Si encuentra algún error, abra una nueva edición para poder corregirlo. Si tiene preguntas generales, utilice la sección de discusión.

Créditos

La mayor parte del código para las implementaciones de YOLO se tomó de los repositorios tensorflow-yolov4-tflite y YOLOv4-Cloud-Tutorial de "The AI ​​Guy". Sin esto, la implementación de YOLO no sería posible. ¡Gracias!