quickai

QuickAI — это библиотека Python, которая позволяет чрезвычайно легко экспериментировать с современными моделями машинного обучения.

Счетчик PyPI
Счетчик PyPI
Счетчик PyPI
Звезды Гитхаба

Примечание. Даже если вы не используете YOLO, вам все равно понадобится файл coco.names в вашем текущем рабочем каталоге. Если вы не используете YOLO, этот файл может быть пустым.

Анонсирующее видео

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

Мотивация

Когда я начал заниматься более продвинутым машинным обучением, я начал понимать, как эти знаменитые архитектуры нейронных сетей (такие как EfficientNet) делают удивительные вещи. Однако когда я попытался реализовать эти архитектуры для задач, которые хотел решить, я понял, что реализовать и быстро поэкспериментировать с этими архитектурами не так-то просто. Именно здесь на помощь пришел QuickAI. Он позволяет легко и быстро экспериментировать со многими моделями архитектур.

Зависимости:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy и Hugging Face Transformers. Вам следует установить TensorFlow и PyTorch, следуя инструкциям на соответствующих веб-сайтах.

Докер-контейнер:

Чтобы избежать настройки всех вышеперечисленных зависимостей, вы можете использовать Docker-контейнер QuickAI:

Сначала извлеките контейнер: docker pull geekjr/quickai

Затем запустите его:

• Процессор (на Apple Silicon Mac вам понадобится флаг --platform linux/amd64 и установленная Rosetta 2): docker run -it geekjr/quickai bash

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

Почему вам следует использовать QuickAI

QuickAI может сократить то, что потребовало бы десятков строк кода, до 1-2 строк. Это делает быстрые эксперименты очень простыми и понятными. Например, если вы хотите обучить EfficientNet на своем собственном наборе данных, вам придется вручную написать код загрузки данных, предварительной обработки, определения модели и обучения, который будет состоять из многих строк кода. В то время как в QuickAI все эти шаги выполняются автоматически с помощью всего 1-2 строк кода.

На данный момент поддерживаются следующие модели:

1. Классификация изображений

   • Эффективная сеть B0-B7
   • ВГГ16
   • ВГГ19
   • DenseNet121
   • DenseNet169
   • DenseNet201
   • Начало ResNet V2
   • Начало V3
   • МобилНет
   • МобилНет V2
   • MobileNet V3, малый и большой
   • Реснет 101
   • Реснет 101 V2
   • Реснет 152
   • Реснет 152 V2
   • Реснет 50
   • РесНет 50 V2
   • Xception

2. Обработка естественного языка

   • GPT-NEO 125M (генерация, вывод)
   • GPT-NEO 350M (генерация, вывод)
   • GPT-NEO 1.3B (генерация, вывод)
   • GPT-NEO 2.7B (генерация, вывод)
   • GPT-J 6B (генерация, вывод)-БЕТА
   • Distill BERT Cased (вопросы и ответы, выводы и точная настройка)
   • Дистиллировать BERT без корпуса (распознавание именованного объекта, вывод)
   • Дистилляция BART (суммирование, вывод)
   • Дистилляция BERT без корпуса (анализ настроений и классификация текста/токенов, вывод и точная настройка)

3. Обнаружение объектов

   • ЁЛОВ4
   • YOLOV4 Крошечный

Установка

pip install quickAI

Как использовать

Подробности смотрите в папке с примерами. Для YOLOV4 вы можете скачать гири отсюда. Полная документация находится в разделе wiki репозитория.

Проблемы/вопросы

Если вы обнаружите какие-либо ошибки, пожалуйста, откройте новую проблему, чтобы их можно было исправить. Если у вас есть общие вопросы, пожалуйста, воспользуйтесь разделом обсуждения.

Кредиты

Большая часть кода для реализации YOLO была взята из репозиториев tensorflow-yolov4-tflite и YOLOv4-Cloud-Tutorial «The AI ​​Guy». Без этого реализация YOLO была бы невозможна. Спасибо!