deepdetect

Open Source Deep Learning Server & API

DeepDeTect (https://www.deepdetect.com/) ist eine API und Server für maschinelles Lernen und in C ++ 11 geschrieben. Es macht das maschinelle Lernen des Kunstwerks leicht zu arbeiten und in bestehende Anwendungen zu integrieren. Es unterstützt sowohl Schulungen als auch Inferenz mit automatischer Umwandlung in eingebettete Plattformen mit Tensorrt (NVIDIA GPU) und NCNN (ARM CPU).

Es implementiert die Unterstützung für überwachte und unbeaufsichtigte Deep -Lernen von Bildern, Text, Zeitreihen und anderen Daten, wobei der Schwerpunkt auf Einfachheit und Benutzerfreundlichkeit, Test und Verbindung zu vorhandenen Anwendungen liegt. Es unterstützt Klassifizierung, Objekterkennung, Segmentierung, Regression, Autoencoder, ...

Und es beruht auf einer sehr generischen und flexiblen API auf externe Bibliotheken für maschinelles Lernen. Im Moment hat es Unterstützung für:

• Die Deep -Learning -Bibliotheken Caffe, Tensorflow, Caffe2, Torch, NCNN Tensorrt und DLIB
• Distributed Gradient Boosting Library Xgboost
• Clustering mit T-Sne
• Ähnlichkeitssuche mit nervig und faiss

Bitte schließen Sie sich der Community auf dem Gitter an, wo wir den Benutzern helfen, Installation, API, neuronale Netze und Verbindung zu externen Anwendungen durchzubringen.

---

Bauart erstellen	STABIL	Devel
QUELLE

Alle Deepdetekten -Docker -Bilder von https://docker.jolibrain.com/.

• So alle verfügbaren Bilder auflisten:

 curl -X GET https://docker.jolibrain.com/v2/_catalog

• So listet ein Bild verfügbare Tags auf, z. B. für das Bild deepdetect_cpu :

 curl -X GET https://docker.jolibrain.com/v2/deepdetect_cpu/tags/list

---

• Hauptmerkmale

• Funktionen für maschinelles Lernen pro Bibliothek

• Installation

  • Von Docker
  • Von Quelle
  • Von Amazon AMI: GPU und CPU
  • Imitieren Sie kontinuierliche Integrationstests

• Modelle, die zu bedienen sind

• Ökosystem

  • Plattformpräsentation
  • Plattforminstallation mit Docker-Compose
  • Plattforminstallation mit Helm (Kubernetes)
  • Tools und Clients

• Dokumentation:

  • Einführung
  • API QuickStart: Richten Sie in wenigen Minuten einen API -Dienst der Bildklassifikator ein
  • API -Tutorials: Schulung aus Text, Daten und Bildern, Einrichtung von Vorhersagediensten und Exportieren in externe Software (z. B. Elasticsarch)
  • API -Referenz
  • Beispiele: MLP für Daten, Text, Mehrziel-Regression zu CNN und Googlenet, Finetuning usw.)
  • FAQ

• Demos:

  • Bildklassifizierungswebanwendung mit HTML und JavaScript
  • Bildähnlichkeitssuche mit dem Python -Client
  • Erkennung von Bildobjekten mit dem Python -Client
  • Bildsegmentierung mit dem Python -Client

• Leistungstools und Bericht über NVIDIA -Desktop und eingebettete GPUs sowie Raspberry Pi 3.

• Referenzen

• Autoren

Hauptmerkmale

• hochrangige API für maschinelles Lernen und tiefes Lernen
• Unterstützung für Caffe, Tensorflow, Xgboost, T-Sne, Caffe2, NCNN, Tensorrt, Pytorch
• Klassifizierung, Regression, Autoencoder, Objekterkennung, Segmentierung, Zeitreihen
• JSON -Kommunikationsformat
• Remote Python- und Javacript -Clients
• Dedizierter Server mit Unterstützung für asynchrone Trainingsanrufe
• Hohe Leistungen profitieren von Multicore CPU und GPU
• Eingebaute Ähnlichkeitssuche über neuronale Einbettungen
• Stecker für große Sammlungen von Bildern mit Datenvergrößerung im Fliege (z. B. Rotationen, Spiegelung)
• Connector zur Behandlung von CSV -Dateien mit Vorverarbeitungsfunktionen
• Connector zum Umgang mit Textdateien, Sätzen und charakterbasierten Modellen
• Connector zur Behandlung von SVM -Dateiformat für spärliche Daten
• Bereich der integrierten Modellbewertungsmaßnahmen (z. B. F1, Multiclass-Protokoll-Verlust, ...)
• Spektrum von Sonderverlusten (z. B. Würfel, Kontur, ...)
• Keine Datenbankabhängigkeit und Synchronisation, alle Informationen und Modellparameter, die organisiert und im Dateisystem verfügbar sind
• Flexible Vorlagenausgabeformat, um die Verbindung zu externen Anwendungen zu vereinfachen
• Vorlagen für die nützlichsten neuronalen Architekturen (z.
• Unterstützung für spärliche Funktionen und Berechnungen sowohl bei GPU als auch bei CPU
• Integrierte Ähnlichkeitsindexierung und Suche nach vorhergesagten Merkmalen, Bildern, Objekten und Wahrscheinlichkeitsverteilungen
• Autogenerierte Dokumentation basierend auf der Prahlerei

Funktionen für maschinelles Lernen pro Bibliothek

	Kaffe	Caffe2	Xgboost	Tensorrt	Ncnn	Libtorch	Tensorflow	T-Sne	DLIB
Portion
Training (CPU)	Y	Y	Y	N / A	N / A	Y	N	Y	N
Training (GPU)	Y	Y	Y	N / A	N / A	Y	N	Y	N
Inferenz (CPU)	Y	Y	Y	N	Y	Y	Y	N / A	Y
Inferenz (GPU)	Y	Y	Y	Y	N	Y	Y	N / A	Y
Modelle
Einstufung	Y	Y	Y	Y	Y	Y	Y	N / A	Y
Objekterkennung	Y	Y	N	Y	Y	N	N	N / A	Y
Segmentierung	Y	N	N	N	N	N	N	N / A	N
Regression	Y	N	Y	N	N	Y	N	N / A	N
AUTOCODER	Y	N	N / A	N	N	N	N	N / A	N
NLP	Y	N	Y	N	N	Y	N	Y	N
OCR / SEQ2SEQ	Y	N	N	N	Y	N	N	N	N
Zeitfahrer	Y	N	N	N	Y	Y	N	N	N
Daten
CSV	Y	N	Y	N	N	N	N	Y	N
SVM	Y	N	Y	N	N	N	N	N	N
Textwörter	Y	N	Y	N	N	N	N	N	N
Textzeichen	Y	N	N	N	N	N	N	Y	N
Bilder	Y	Y	N	Y	Y	Y	Y	Y	Y
Zeitfahrer	Y	N	N	N	Y	N	N	N	N

Tools und Clients

• Python -Kunde:
  • Rest Client: https://github.com/jolibrain/deepdetect/tree/master/clients/python
  • 'a la scikit' bindungen: https://github.com/ardalanm/pyddd
• JavaCript Client: https://github.com/jolibrain/deepdetect-js
• Java Client: https://github.com/kfadhel/deepdetekt-api-java
• Früh C # Client: # 98
• Log DeepDetect -Trainingsmetriken über Tensorboard: https://github.com/jolibrain/dd_board

Modelle

	Kaffe	Tensorflow	Quelle	Top-1-Genauigkeit (ImageNet)
Alexnet	Y	N	BVLC	57,1%
Squeezenet	Y	N	DeepScale	59,5%
Inception V1 / Googlenet	Y	Y	BVLC / Google	67,9%
Inception v2	N	Y	Google	72,2%
Inception v3	N	Y	Google	76,9%
Inception v4	N	Y	Google	80,2%
Resnet 50	Y	Y	Msr	75,3%
Resnet 101	Y	Y	Msr	76,4%
Resnet 152	Y	Y	Msr	77%
Inception-Resnet-V2	N	Y	Google	79,79%
VGG-16	Y	Y	Oxford	70,5%
VGG-19	Y	Y	Oxford	71,3%
Resnext 50	Y	N	https://github.com/terrychenism/resnext	76,9%
Resnext 101	Y	N	https://github.com/terrychenism/resnext	77,9%
Resnext 152	Y	N	https://github.com/terrychenism/resnext	78,7%
Densenet-121	Y	N	https://github.com/shicai/denet-caffe	74,9%
Densenet-161	Y	N	https://github.com/shicai/denet-caffe	77,6%
Densenet-169	Y	N	https://github.com/shicai/denet-caffe	76,1%
Densenet-201	Y	N	https://github.com/shicai/denet-caffe	77,3%
SE-BN-Inception	Y	N	https://github.com/hujie-frank/senet	76,38%
SE-RESNET-50	Y	N	https://github.com/hujie-frank/senet	77,63%
SE-RESNET-101	Y	N	https://github.com/hujie-frank/senet	78,25%
SE-RESNET-152	Y	N	https://github.com/hujie-frank/senet	78,66%
Se-resnext-50	Y	N	https://github.com/hujie-frank/senet	79,03%
Se-resnext-101	Y	N	https://github.com/hujie-frank/senet	80,19%
Senet	Y	N	https://github.com/hujie-frank/senet	81,32%
VOC0712 (Objekterkennung)	Y	N	https://github.com/weiliu89/caffe/tree/ssd	71.2 Karte
InceptionBn-21k	Y	N	https://github.com/pertusa/inceptionbn-21k-for-caffe	41,9%
Inception v3 5k	N	Y	https://github.com/openimages/dataset
5-Punkte-Gesichtsmodellmodell (Gesichtserkennung)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-deTection-in.html
Erkennung von vorne/hinteren Fahrzeugen (Objekterkennung)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-deTection-in.html

Weitere Modelle:

• Liste der kostenlosen, auch für kommerzielle Nutzung, tiefe neuronale Netze für die Bildklassifizierung und charakterbasierte Faltungsnetze für die Textklassifizierung: https://www.deepdetect.com/applications/List_models/

Referenzen

• 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)

Autoren

DeepDeTect wurde von Jolibrain mit Hilfe anderer Mitwirkender entworfen, implementiert und unterstützt.