الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

خادم التعلم العميق مفتوح المصدر و API

DeepDetect (https://www.deepdetect.com/) هو واجهة برمجة تطبيقات تعلم الآلة والخادم مكتوب في C ++ 11. إنه يجعل التعلم الآلي للآلة سهلة العمل مع التطبيقات الحالية وتكاملها. لديها دعم لكل من التدريب والاستدلال ، مع التحويل التلقائي إلى منصات مضمنة مع Tensorrt (NVIDIA GPU) و NCNN (ARM CPU).

إنه ينفذ دعم التعلم العميق الخاضع للإشراف وغير الخاضع للإشراف للصور والنص والسلاسل الزمنية والبيانات الأخرى ، مع التركيز على البساطة وسهولة الاستخدام واختبار التطبيقات الحالية. وهو يدعم التصنيف ، واكتشاف الكائنات ، والتجزئة ، والانحدار ، وأدوات الترميز التلقائي ، ...

ويعتمد على مكتبات التعلم الآلي الخارجي من خلال واجهة برمجة تطبيقات عامة ومرنة للغاية. في الوقت الحالي ، لديها دعم لـ:

  • مكتبات التعلم العميق Caffe و TensorFlow و Caffe2 و Torch و NCNN Tensorrt و Dlib
  • مكتبة تعزيز التدرج الموزعة xgboost
  • تجميع مع t-sne
  • البحث عن التشابه مع الإزعاج وفايس

يرجى الانضمام إلى المجتمع على Gitter ، حيث نساعد المستخدمين على الوصول إلى التثبيت و API و Neural Nets والاتصال بالتطبيقات الخارجية.

نوع البناء مستقر التطور
مصدر

جميع صور DeePetect Docker متوفرة من https://docker.jolibrain.com/.

  • لسرد جميع الصور المتاحة: 
 curl -X GET https://docker.jolibrain.com/v2/_catalog
  • لسرد صورة متوفرة ، على سبيل المثال ، صورة deepdetect_cpu : 
 curl -X GET https://docker.jolibrain.com/v2/deepdetect_cpu/tags/list

  • الميزات الرئيسية

  • وظائف التعلم الآلي لكل مكتبة

  • تثبيت

    • من Docker
    • من المصدر
    • من Amazon AMI: GPU و CPU
    • تقليد اختبار التكامل المستمر

  • النماذج الجاهزة للاستخدام

  • النظام البيئي

    • عرض منصة
    • تثبيت النظام الأساسي مع Docker-Corms
    • تثبيت النظام الأساسي مع Helm (Kubernetes)
    • الأدوات والعملاء

  • الوثائق:

    • مقدمة
    • API QuickStart: قم بإعداد خدمة API مصنف الصور في بضع دقائق
    • دروس API: التدريب من النص والبيانات والصور ، وإعداد خدمات التنبؤ ، والتصدير إلى البرامج الخارجية (مثل Elasticsearch)
    • مرجع API
    • أمثلة: MLP للبيانات ، النص ، الانحدار متعدد الهدف إلى CNN و Googlenet ، Finetuning ، إلخ ...)
    • التعليمات

  • العروض التوضيحية:

    • تطبيق ويب تصنيف الصور باستخدام HTML و JavaScript
    • بحث تشابه الصورة باستخدام عميل Python
    • اكتشاف كائن الصورة باستخدام عميل Python
    • تجزئة الصور باستخدام عميل Python

  • أدوات الأداء والتقرير الذي تم على سطح المكتب Nvidia و GPUS المدمجة ، إلى جانب Raspberry PI 3.

  • مراجع

  • المؤلفون

الميزات الرئيسية

  • واجهة برمجة تطبيقات عالية المستوى للتعلم الآلي والتعلم العميق
  • دعم الكافيين ، TensorFlow ، XgBoost ، T-Sne ، Caffe2 ، NCNN ، Tensorrt ، Pytorch
  • التصنيف ، الانحدار ، أجهزة الترميز التلقائي ، الكشف عن الكائنات ، التجزئة ، السلاسل الزمنية
  • تنسيق الاتصالات JSON
  • عملاء Python و Javacript البعيد
  • خادم مخصص بدعم لمكالمات التدريب غير المتزامن
  • أداء عالي ، يستفيد من وحدة المعالجة المركزية المتعددة و GPU
  • البحث المدمج في التشابه عبر التضمينات العصبية
  • موصل للتعامل مع مجموعات كبيرة من الصور مع زيادة البيانات على الطيران (مثل الدورات ، النسخ المتطابق)
  • موصل للتعامل مع ملفات CSV مع إمكانات المعالجة المسبقة
  • موصل للتعامل مع الملفات النصية والجمل والنماذج القائمة على الأحرف
  • موصل للتعامل مع تنسيق ملف SVM للبيانات المتناثرة
  • مجموعة من مقاييس تقييم النماذج المدمجة (مثل F1 ، فقدان سجل متعدد الفقرة ، ...)
  • مجموعة من الخسائر الخاصة (مثل الزهر ، الكفاف ، ...)
  • لا توجد اعتماد ومزامنة قاعدة البيانات ، وجميع المعلمات والمعلمات النموذجية منظمة ومتاحة من نظام الملفات
  • تنسيق إخراج القالب المرن لتبسيط الاتصال بالتطبيقات الخارجية
  • قوالب للبنية العصبية الأكثر فائدة (EG Googlenet ، Alexnet ، Resnet ، Convnet ، Convnet المستندة إلى الشخصيات ، MLP ، الانحدار اللوجستي ، SSD ، Deeplab ، PSPNET ، U-NET ، CRNN ، Shufflenet ، Squeezenet ، Mobilenet ، Ensideet ، Vovnet ، ...)
  • دعم للميزات والحسابات المتفرقة على كل من GPU و CPU
  • فهرسة التشابه المدمج والبحث عن الميزات والمعلومات والكائنات وتوزيعات الاحتمالات المتوقعة
  • الوثائق التي تم إنشاؤها تلقائيًا على أساس Swagger

وظائف التعلم الآلي لكل مكتبة

الكافيين Caffe2 xgboost Tensorrt NCNN libtorch Tensorflow T sne Dlib
التقديم
التدريب (وحدة المعالجة المركزية) ذ ذ ذ ن/أ ن/أ ذ ن ذ ن
التدريب (GPU) ذ ذ ذ ن/أ ن/أ ذ ن ذ ن
الاستدلال (وحدة المعالجة المركزية) ذ ذ ذ ن ذ ذ ذ ن/أ ذ
الاستدلال (GPU) ذ ذ ذ ذ ن ذ ذ ن/أ ذ
النماذج
تصنيف ذ ذ ذ ذ ذ ذ ذ ن/أ ذ
الكشف عن الكائن ذ ذ ن ذ ذ ن ن ن/أ ذ
تجزئة ذ ن ن ن ن ن ن ن/أ ن
الانحدار ذ ن ذ ن ن ذ ن ن/أ ن
الشفرة التلقائية ذ ن ن/أ ن ن ن ن ن/أ ن
NLP ذ ن ذ ن ن ذ ن ذ ن
OCR / SEQ2SEQ ذ ن ن ن ذ ن ن ن ن
سلسلة الوقت ذ ن ن ن ذ ذ ن ن ن
بيانات
CSV ذ ن ذ ن ن ن ن ذ ن
SVM ذ ن ذ ن ن ن ن ن ن
الكلمات النصية ذ ن ذ ن ن ن ن ن ن
أحرف نص ذ ن ن ن ن ن ن ذ ن
الصور ذ ذ ن ذ ذ ذ ذ ذ ذ
سلسلة الوقت ذ ن ن ن ذ ن ن ن ن

الأدوات والعملاء

  • عميل بيثون:
    • راحة العميل: https://github.com/jolibrain/deepdetect/tree/master/clients/python
    • روابط "A la scikit": https://github.com/ardalanm/pydd
  • عميل Javacript: https://github.com/jolibrain/deepdetect-js
  • عميل Java: https://github.com/kfadhel/deepdetect-api-java
  • عميل C # المبكر: # 98
  • سجل مقاييس التدريب على السجل عبر Tensorboard: https://github.com/jolibrain/dd_board

النماذج

الكافيين Tensorflow مصدر دقة أعلى 1 (ImageNet)
اليكسنيت ذ ن BVLC 57.1 ٪
القوسنيت ذ ن عميق 59.5 ٪
Inception V1 / Googlenet ذ ذ BVLC / Google 67.9 ٪
بداية V2 ن ذ جوجل 72.2 ٪
بداية V3 ن ذ جوجل 76.9 ٪
بداية V4 ن ذ جوجل 80.2 ٪
RESNET 50 ذ ذ MSR 75.3 ٪
Resnet 101 ذ ذ MSR 76.4 ٪
RESNET 152 ذ ذ MSR 77 ٪
بدء RESCENET-V2 ن ذ جوجل 79.79 ٪
VGG-16 ذ ذ أكسفورد 70.5 ٪
VGG-19 ذ ذ أكسفورد 71.3 ٪
RESNEXT 50 ذ ن https://github.com/terrychenism/resnext 76.9 ٪
RESNEXT 101 ذ ن https://github.com/terrychenism/resnext 77.9 ٪
RESNEXT 152 ذ ن https://github.com/terrychenism/resnext 78.7 ٪
Densenet-121 ذ ن https://github.com/shicai/densenet-caffe 74.9 ٪
Densenet-161 ذ ن https://github.com/shicai/densenet-caffe 77.6 ٪
Densenet-169 ذ ن https://github.com/shicai/densenet-caffe 76.1 ٪
Densenet-201 ذ ن https://github.com/shicai/densenet-caffe 77.3 ٪
SE-BN-Inception ذ ن https://github.com/hujie-frank/senet 76.38 ٪
SE-RESNET-50 ذ ن https://github.com/hujie-frank/senet 77.63 ٪
SE-RESNET-101 ذ ن https://github.com/hujie-frank/senet 78.25 ٪
SE-RESNET-152 ذ ن https://github.com/hujie-frank/senet 78.66 ٪
SE-RESNEXT-50 ذ ن https://github.com/hujie-frank/senet 79.03 ٪
SE-RESNEXT-101 ذ ن https://github.com/hujie-frank/senet 80.19 ٪
سينت ذ ن https://github.com/hujie-frank/senet 81.32 ٪
Voc0712 (اكتشاف الكائنات) ذ ن https://github.com/weiliu89/caffe/tree/ssd 71.2 الخريطة
InceptionBN-21K ذ ن https://github.com/pertusa/inceptionbn-21k-for-caffe 41.9 ٪
بداية V3 5K ن ذ https://github.com/openimages/dataset
نموذج معالم الوجه 5 نقاط (اكتشاف الوجه) ن ن http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
الكشف عن المركبات الأمامية/الخلفية (اكتشاف الكائنات) ن ن http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

المزيد من النماذج:

  • قائمة مجانية ، حتى بالنسبة للاستخدام التجاري ، والشبكات العصبية العميقة لتصنيف الصور ، والشبكات التلافيفية القائمة على الأحرف لتصنيف النص: https://www.deepdetect.com/applications/list_models/

مراجع

  • DeepDetect (https://www.deepdetect.com/)
  • Caffe (https://github.com/jolibrain/caffe)
  • xgboost (https://github.com/dmlc/xgboost)
  • t-sne (https://github.com/dmitryulyanov/multicore-tsne)

المؤلفون

تم تصميم DeepDetect وتنفيذها ودعمها من قبل Jolibrain بمساعدة المساهمين الآخرين.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل