quickai

QuickAI เป็นไลบรารี Python ที่ทำให้การทดลองกับโมเดล Machine Learning ที่ล้ำสมัยเป็นเรื่องง่ายมาก

เคาน์เตอร์ PyPI
เคาน์เตอร์ PyPI
เคาน์เตอร์ PyPI
Github ดาว

หมายเหตุ: แม้ว่าคุณจะไม่ได้ใช้ YOLO แต่คุณยังคงต้องมีไฟล์ในไดเร็กทอรีการทำงานปัจจุบันที่เรียกว่า coco.names หากคุณไม่ได้ใช้ YOLO ไฟล์นี้สามารถว่างเปล่าได้

วีดีโอประกาศ

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

แรงจูงใจ

เมื่อฉันเริ่มเข้าสู่การเรียนรู้ของเครื่องขั้นสูง ฉันเริ่มเห็นว่าสถาปัตยกรรมเครือข่ายประสาทที่มีชื่อเสียงเหล่านี้ (เช่น EfficientNet) ทำสิ่งที่น่าทึ่งได้อย่างไร อย่างไรก็ตาม เมื่อฉันพยายามนำสถาปัตยกรรมเหล่านี้ไปใช้กับปัญหาที่ฉันต้องการแก้ไข ฉันพบว่ามันไม่ง่ายเลยที่จะนำไปใช้และทดลองกับสถาปัตยกรรมเหล่านี้อย่างรวดเร็ว นั่นคือที่มาของ QuickAI ช่วยให้สามารถทดลองสถาปัตยกรรมโมเดลต่างๆ มากมายได้อย่างรวดเร็ว

การพึ่งพา:

Tensorflow, PyTorch, Sklearn, Matplotlib, Numpy และ Hugging Face Transformers คุณควรติดตั้ง TensorFlow และ PyTorch โดยทำตามคำแนะนำจากเว็บไซต์ที่เกี่ยวข้อง

คอนเทนเนอร์นักเทียบท่า:

เพื่อหลีกเลี่ยงการตั้งค่าการขึ้นต่อกันทั้งหมดข้างต้น คุณสามารถใช้ QuickAI Docker Container:

ขั้นแรกให้ดึงคอนเทนเนอร์: docker pull geekjr/quickai

จากนั้นเรียกใช้:

• CPU (บน Apple Silicon Mac คุณจะต้องติดตั้ง --platform linux/amd64 flag และติดตั้ง Rosetta 2): docker run -it geekjr/quickai bash

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

ทำไมคุณควรใช้ QuickAI

QuickAI สามารถลดสิ่งที่ต้องใช้โค้ดหลายสิบบรรทัดให้เหลือ 1-2 บรรทัด ทำให้การทดลองที่รวดเร็วง่ายดายและสะอาดตามาก ตัวอย่างเช่น หากคุณต้องการฝึก EfficientNet บนชุดข้อมูลของคุณเอง คุณจะต้องเขียนการโหลดข้อมูล การประมวลผลล่วงหน้า คำจำกัดความโมเดล และโค้ดการฝึกด้วยตนเอง ซึ่งจะเป็นโค้ดหลายบรรทัด ในขณะที่ QuickAI ขั้นตอนทั้งหมดเหล่านี้เกิดขึ้นโดยอัตโนมัติด้วยโค้ดเพียง 1-2 บรรทัด

ปัจจุบันรองรับรุ่นต่อไปนี้:

1. การจำแนกประเภทภาพ

   • เอฟฟิเชียนท์เน็ต B0-B7
   • VGG16
   • วีจีจี19
   • หนาแน่นNet121
   • หนาแน่นเน็ต169
   • DenseNet201
   • เริ่มต้น ResNet V2
   • การเริ่มต้น V3
   • โมบายเน็ต
   • โมบายเน็ต V2
   • MobileNet V3 ขนาดเล็กและขนาดใหญ่
   • เรสเน็ต 101
   • เรสเน็ต 101 V2
   • เรสเน็ต 152
   • เรสเน็ต 152 V2
   • เรสเน็ต 50
   • เรสเน็ต 50 V2
   • ข้อยกเว้น

2. การประมวลผลภาษาธรรมชาติ

   • GPT-NEO 125M(เจนเนอเรชัน, การอนุมาน)
   • GPT-NEO 350M(เจนเนอเรชัน, การอนุมาน)
   • GPT-NEO 1.3B(การสร้าง การอนุมาน)
   • GPT-NEO 2.7B(การสร้าง การอนุมาน)
   • GPT-J 6B(รุ่น การอนุมาน)-เบต้า
   • กลั่น BERT Cased (ถามตอบ การอนุมาน และการปรับแต่งอย่างละเอียด)
   • กลั่น BERT Uncased (การรับรู้เอนทิตีที่มีชื่อ การอนุมาน)
   • Ditil BART (การสรุป การอนุมาน)
   • กลั่น BERT Uncased (การวิเคราะห์ความรู้สึก & การจัดประเภทข้อความ/โทเค็น การอนุมาน และการปรับแต่งอย่างละเอียด)

3. การตรวจจับวัตถุ

   • โยลอฟ4
   • YOLOV4 จิ๋ว

การติดตั้ง

pip install quickAI

วิธีใช้

โปรดดูโฟลเดอร์ตัวอย่างเพื่อดูรายละเอียด สำหรับ YOLOV4 คุณสามารถดาวน์โหลดตุ้มน้ำหนักได้จากที่นี่ เอกสารฉบับเต็มอยู่ในส่วน wiki ของ repo

ปัญหา/คำถาม

หากคุณพบข้อบกพร่องใด ๆ โปรดเปิดปัญหาใหม่เพื่อให้สามารถแก้ไขได้ หากคุณมีคำถามทั่วไป โปรดใช้ส่วนการสนทนา

เครดิต

โค้ดส่วนใหญ่สำหรับการใช้งาน YOLO ถูกนำมาจาก "The AI ​​Guy's" tensorflow-yolov4-tflite & YOLOv4-Cloud-Tutorial repos หากไม่มีสิ่งนี้ การใช้งาน YOLO จะไม่สามารถทำได้ ขอบคุณ!