quickai

QuickAI é uma biblioteca Python que torna extremamente fácil experimentar modelos de aprendizado de máquina de última geração.

Contador PyPI
Contador PyPI
Contador PyPI
Estrelas do GitHub

Nota: Mesmo se você não estiver usando o YOLO, você ainda precisará de um arquivo em seu diretório de trabalho atual chamado coco.names. Se você não estiver usando YOLO, este arquivo pode estar vazio.

Vídeo de anúncio

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

Motivação

Quando comecei a entrar no aprendizado de máquina mais avançado, comecei a ver como essas famosas arquiteturas de redes neurais (como EfficientNet) estavam fazendo coisas incríveis. Porém, quando tentei implementar essas arquiteturas para problemas que queria resolver, percebi que não era muito fácil implementar e experimentar rapidamente essas arquiteturas. É aí que entra o QuickAI. Ele permite a experimentação fácil de muitas arquiteturas de modelos rapidamente.

Dependências:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy e Hugging Face Transformers. Você deve instalar o TensorFlow e o PyTorch seguindo as instruções de seus respectivos sites.

Contêiner Docker:

Para evitar a configuração de todas as dependências acima, você pode usar o QuickAI Docker Container:

Primeiro puxe o contêiner: docker pull geekjr/quickai

Em seguida, execute-o:

• CPU (em um Apple Silicon Mac, você precisará do sinalizador --platform linux/amd64 e Rosetta 2 instalado): docker run -it geekjr/quickai bash

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

Por que você deve usar QuickAI

QuickAI pode reduzir o que levaria dezenas de linhas de código em 1-2 linhas. Isso torna a experimentação rápida muito fácil e limpa. Por exemplo, se você quisesse treinar o EfficientNet em seu próprio conjunto de dados, teria que escrever manualmente o carregamento de dados, o pré-processamento, a definição do modelo e o código de treinamento, o que seria muitas linhas de código. Já com QuickAI, todas essas etapas acontecem automaticamente com apenas 1 a 2 linhas de código.

Os seguintes modelos são atualmente suportados:

1. Classificação de imagens

   • EficienteNet B0-B7
   • VGG16
   • VGG19
   • DenseNet121
   • DenseNet169
   • DenseNet201
   • Início ResNet V2
   • Início V3
   • MobileNet
   • MobileNet V2
   • MobileNet V3 pequeno e grande
   • ResNet 101
   • ResNet 101 V2
   • ResNet 152
   • ResNet 152 V2
   • ResNet 50
   • ResNet 50 V2
   • Xcepção

2. Processamento de Linguagem Natural

   • GPT-NEO 125M (Geração, Inferência)
   • GPT-NEO 350M (Geração, Inferência)
   • GPT-NEO 1.3B (Geração, Inferência)
   • GPT-NEO 2.7B (Geração, Inferência)
   • GPT-J 6B (Geração, Inferência) -BETA
   • Distill BERT Cased (Perguntas e Respostas, Inferência e Ajuste Fino)
   • Destilar BERT Uncased (reconhecimento de entidade nomeada, inferência)
   • Distil BART (resumo, inferência)
   • Distill BERT Uncased (Análise de sentimento e classificação de texto/token, inferência e ajuste fino)

3. Detecção de objetos

   • YOLOV4
   • YOLOV4 Minúsculo

Instalação

pip install quickAI

Como usar

Consulte a pasta de exemplos para obter detalhes. Para o YOLOV4, você pode baixar pesos aqui. A documentação completa está na seção wiki do repositório.

Problemas/perguntas

Se você encontrar algum bug, abra um novo problema para que possa ser corrigido. Se você tiver dúvidas gerais, use a seção de discussão.

Créditos

A maior parte do código para as implementações YOLO foi retirada dos repositórios tensorflow-yolov4-tflite e YOLOv4-Cloud-Tutorial de "The AI ​​Guy's". Sem isto, a implementação do YOLO não seria possível. Obrigado!