quickai

QuickAI est une bibliothèque Python qui facilite extrêmement l'expérimentation de modèles d'apprentissage automatique de pointe.

Compteur PyPI
Compteur PyPI
Compteur PyPI
Étoiles GitHub

Remarque : Même si vous n'utilisez pas YOLO, vous aurez toujours besoin d'un fichier dans votre répertoire de travail actuel appelé coco.names. Si vous n'utilisez pas YOLO, ce fichier peut être vide.

Vidéo d'annonce

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

Motivation

Lorsque j'ai commencé à me lancer dans l'apprentissage automatique plus avancé, j'ai commencé à voir comment ces célèbres architectures de réseaux neuronaux (telles qu'EfficientNet) faisaient des choses étonnantes. Cependant, lorsque j'ai essayé d'implémenter ces architectures sur des problèmes que je voulais résoudre, j'ai réalisé que ce n'était pas très simple à implémenter et à expérimenter rapidement ces architectures. C'est là que QuickAI est entré en jeu. Il permet d'expérimenter facilement et rapidement de nombreuses architectures de modèles.

Dépendances :

Transformateurs Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy et Hugging Face. Vous devez installer TensorFlow et PyTorch en suivant les instructions de leurs sites Web respectifs.

Conteneur Docker :

Pour éviter de configurer toutes les dépendances ci-dessus, vous pouvez utiliser le QuickAI Docker Container :

Tirez d’abord le conteneur : docker pull geekjr/quickai

Ensuite, exécutez-le :

• CPU (sur un Mac Apple Silicon, vous aurez besoin de l'indicateur --platform linux/amd64 et de Rosetta 2 installé) : docker run -it geekjr/quickai bash

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

Pourquoi devriez-vous utiliser QuickAI

QuickAI peut réduire ce qui prendrait des dizaines de lignes de code en 1 à 2 lignes. Cela rend l’expérimentation rapide très simple et propre. Par exemple, si vous souhaitez entraîner EfficientNet sur votre propre ensemble de données, vous devrez écrire manuellement le chargement des données, le prétraitement, la définition du modèle et le code de formation, ce qui représenterait plusieurs lignes de code. Alors qu’avec QuickAI, toutes ces étapes se déroulent automatiquement avec seulement 1 à 2 lignes de code.

Les modèles suivants sont actuellement pris en charge :

1. Classement des images

   • EfficaceNet B0-B7
   • VGG16
   • VGG19
   • DenseNet121
   • DenseNet169
   • DenseNet201
   • Création ResNet V2
   • Création V3
   • MobileNet
   • MobileNet V2
   • MobileNet V3 petit et grand
   • ResNet 101
   • ResNet 101 V2
   • ResNet152
   • ResNet152 V2
   • ResNet 50
   • ResNet50 V2
   • Xception

2. Traitement du langage naturel

   • GPT-NEO 125M (Génération, Inférence)
   • GPT-NEO 350M (Génération, Inférence)
   • GPT-NEO 1.3B (Génération, Inférence)
   • GPT-NEO 2.7B (Génération, Inférence)
   • GPT-J 6B (Génération, Inférence) -BETA
   • Distill BERT Cased (Q&A, inférence et réglage fin)
   • Distiller BERT sans boîtier (reconnaissance d'entité nommée, inférence)
   • Distil BART (Résumé, Inférence)
   • Distill BERT Uncased (analyse des sentiments et classification de texte/jeton, inférence et réglage fin)

3. Détection d'objet

   • YOLOV4
   • YOLOV4 Minuscule

Installation

pip install quickAI

Comment utiliser

Veuillez consulter le dossier d'exemples pour plus de détails. Pour le YOLOV4, vous pouvez télécharger les poids à partir d'ici. La documentation complète se trouve dans la section wiki du dépôt.

Problèmes/Questions

Si vous rencontrez des bugs, veuillez ouvrir un nouveau numéro afin qu'ils puissent être corrigés. Si vous avez des questions d’ordre général, veuillez utiliser la section discussion.

Crédits

La plupart du code des implémentations YOLO a été extrait des dépôts tensorflow-yolov4-tflite et YOLOv4-Cloud-Tutorial de « The AI ​​Guy ». Sans cela, la mise en œuvre de YOLO ne serait pas possible. Merci!