quickai

QuickAI adalah pustaka Python yang membuatnya sangat mudah untuk bereksperimen dengan model Pembelajaran Mesin yang canggih.

Penghitung PyPI
Penghitung PyPI
Penghitung PyPI
Bintang Github

Catatan: Meskipun Anda tidak menggunakan YOLO, Anda masih memerlukan file di direktori kerja Anda saat ini yang disebut coco.names. Jika Anda tidak menggunakan YOLO, file ini mungkin kosong.

Video pengumuman

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

Motivasi

Saat saya mulai mempelajari Machine Learning yang lebih canggih, saya mulai melihat bagaimana arsitektur jaringan saraf terkenal ini (seperti EfficientNet), melakukan hal-hal menakjubkan. Namun, ketika saya mencoba menerapkan arsitektur ini pada masalah yang ingin saya selesaikan, saya menyadari bahwa penerapannya tidaklah mudah dan saya dapat dengan cepat bereksperimen dengan arsitektur ini. Di sinilah QuickAI berperan. Hal ini memungkinkan eksperimen mudah pada banyak arsitektur model dengan cepat.

Ketergantungan:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy, dan Hugging Face Transformers. Anda harus menginstal TensorFlow dan PyTorch dengan mengikuti petunjuk dari situs webnya masing-masing.

Wadah buruh pelabuhan:

Untuk menghindari pengaturan semua dependensi di atas, Anda dapat menggunakan QuickAI Docker Container:

Pertama tarik wadahnya: docker pull geekjr/quickai

Kemudian jalankan:

• CPU (pada Mac silikon Apple, Anda memerlukan flag --platform linux/amd64 dan menginstal Rosetta 2): docker run -it geekjr/quickai bash

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

Mengapa Anda harus menggunakan QuickAI

QuickAI dapat mengurangi puluhan baris kode menjadi 1-2 baris. Hal ini membuat eksperimen cepat menjadi sangat mudah dan bersih. Misalnya, jika Anda ingin melatih EfficientNet pada kumpulan data Anda sendiri, Anda harus menulis pemuatan data, prapemrosesan, definisi model, dan kode pelatihan secara manual, yang terdiri dari banyak baris kode. Sedangkan dengan QuickAI, semua langkah ini terjadi secara otomatis hanya dengan 1-2 baris kode.

Model berikut saat ini didukung:

1. Klasifikasi Gambar

   • EfisienNet B0-B7
   • VGG16
   • VGG19
   • Jaringan Padat121
   • Jaringan Padat169
   • Jaringan Padat201
   • Awal ResNet V2
   • Awal V3
   • Jaringan Seluler
   • MobileNet V2
   • MobileNet V3 Kecil & Besar
   • ResNet 101
   • ResNet 101 V2
   • ResNet 152
   • ResNet 152 V2
   • ResNet 50
   • ResNet 50 V2
   • Xsepsi

2. Pemrosesan Bahasa Alami

   • GPT-NEO 125M (Generasi, Inferensi)
   • GPT-NEO 350M (Generasi, Inferensi)
   • GPT-NEO 1.3B (Generasi, Inferensi)
   • GPT-NEO 2.7B (Generasi, Inferensi)
   • GPT-J 6B(Generasi, Inferensi)-BETA
   • Distill BERT Cased (Tanya Jawab, Inferensi, dan Penyempurnaan)
   • Saring BERT Tanpa Kasus (Pengenalan Entitas Bernama, Inferensi)
   • Distil BART (Ringkasan, Inferensi)
   • Saring BERT Tanpa Casing (Analisis Sentimen & Klasifikasi Teks/Token, Inferensi, dan Penyempurnaan)

3. Deteksi Objek

   • YOLOV4
   • YOLOV4 Kecil

Instalasi

pip install quickAI

Cara menggunakan

Silakan lihat folder contoh untuk detailnya. Untuk YOLOV4, Anda dapat mengunduh beban dari sini. Dokumentasi lengkap ada di bagian wiki pada repo.

Masalah/Pertanyaan

Jika Anda menemukan bug, silakan buka terbitan baru agar dapat diperbaiki. Jika Anda memiliki pertanyaan umum, silakan gunakan bagian diskusi.

Kredit

Sebagian besar kode untuk implementasi YOLO diambil dari repo tensorflow-yolov4-tflite & YOLOv4-Cloud-Tutorial "The AI ​​Guy". Tanpa hal ini, implementasi YOLO tidak akan mungkin terjadi. Terima kasih!