Descarga deepdetect - Descargar el código fuente deepdetect

deepdetect

Pitón

v0.26.0

Descargar

Servidor de aprendizaje profundo de código abierto y API

DeepDetect (https://www.deepdetect.com/) es una API y un servidor de aprendizaje automático escrito en C ++ 11. Hace que el aprendizaje automático de última generación sea fácil de trabajar e integrarse en las aplicaciones existentes. Tiene soporte tanto para la capacitación como para la inferencia, con conversión automática a plataformas integradas con Tensorrt (NVIDIA GPU) y NCNN (CPU ARM).

Implementa el soporte para el aprendizaje profundo supervisado y no supervisado de imágenes, texto, series de tiempo y otros datos, con enfoque en la simplicidad y la facilidad de uso, la prueba y la conexión en las aplicaciones existentes. Admite clasificación, detección de objetos, segmentación, regresión, autoencoders, ...

Y se basa en bibliotecas de aprendizaje automático externas a través de una API muy genérica y flexible. Por el momento tiene apoyo para:

Las bibliotecas de aprendizaje profundo Caffe, TensorFlow, Caffe2, Torch, NCNN Tensorrt y Dlib
Biblioteca de impulso de gradiente distribuido xgboost
agrupación con t-sne
búsqueda de similitud con molestia y faiss

Únase a la comunidad en Gitter, donde ayudamos a los usuarios a pasar con la instalación, API, redes neuronales y conexión a aplicaciones externas.

Tipo de construcción	ESTABLE	Desalentar
FUENTE

Todas las imágenes Docker de DeepDetect disponibles en https://docker.jolibrain.com/.

Para enumerar todas las imágenes disponibles:

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

Para enumerar las etiquetas disponibles de la imagen, por ejemplo, para la imagen deepdetect_cpu :

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

Características principales
Funcionalidades de aprendizaje automático por biblioteca
Instalación
- De Docker
- De la fuente
- De Amazon ami: GPU y CPU
- Pruebas de integración continua imitadora
Modelos listos para usar
Ecosistema
- Presentación de la plataforma
- Instalación de la plataforma con Docker-Compose
- Instalación de la plataforma con Helm (Kubernetes)
- Herramientas y clientes
Documentación:
- Introducción
- API QuickStart: Configurar un servicio de API clasificador de imágenes en unos minutos
- Tutoriales de API: capacitación de texto, datos e imágenes, configuración de servicios de predicción y exportación a software externo (por ejemplo, Elasticsearch)
- Referencia de API
- Ejemplos: MLP para datos, texto, regresión multi-objetivo a CNN y Googlenet, Finetuning, etc ...)
- Preguntas frecuentes
Población:
- Aplicación web de clasificación de imágenes utilizando HTML y JavaScript
- Búsqueda de similitud de imagen usando el cliente Python
- Detección de objetos de imagen usando Python Client
- Segmentación de imágenes con el cliente Python
Herramientas de rendimiento e informes realizados en Nvidia Desktop y GPU integradas, junto con Raspberry Pi 3.
Referencias
Autores

Características principales

API de alto nivel para aprendizaje automático y aprendizaje profundo
Soporte para Caffe, TensorFlow, XGBOost, T-SNE, Caffe2, NCNN, Tensorrt, Pytorch
Clasificación, regresión, autoencoders, detección de objetos, segmentación, serie de tiempo
Formato de comunicación JSON
clientes remotos de Python y Javacript
servidor dedicado con soporte para llamadas de capacitación asincrónica
Altos rendimientos, beneficio de CPU multinúcleo y GPU
Búsqueda de similitud incorporada a través de integridades neuronales
Conector para manejar grandes colecciones de imágenes con aumento de datos sobre la marcha (por ejemplo, rotaciones, reflejo)
Conector para manejar archivos CSV con capacidades de preprocesamiento
conector para manejar archivos de texto, oraciones y modelos basados en personajes
Conector para manejar el formato de archivo SVM para datos dispersos
Rango de medidas de evaluación de modelo incorporadas (por ejemplo, F1, pérdida de registro multiclase, ...)
Rango de pérdidas especiales (por ejemplo, dados, contorno, ...)
No hay dependencia de la base de datos y sincronización, todos los parámetros de información y modelo organizados y disponibles desde el sistema de archivos
Formato de salida de plantilla flexible para simplificar la conexión a aplicaciones externas
Las plantillas para las arquitecturas neuronales más útiles (por ejemplo, Googlenet, Alexnet, ResNet, Convnet, Convnet basado en personajes, MLP, regresión logística, SSD, DeepLab, PSPNet, U-Net, CRNN, Shufflenet, Squeezenet, Mobilenet, Refinedet, Vovnet, ...)
Soporte para características y cálculos escasos en GPU y CPU
indexación de similitud incorporada y búsqueda de características predichas, imágenes, objetos y distribuciones de probabilidad
Documentación generada automáticamente basada en Swagger

Funcionalidades de aprendizaje automático por biblioteca

	Cafetería	Caffe2	Xgboost	Tensor	Ncnn	Libbtorch	Flujo tensor	T-sne	Dlib
Servicio
Entrenamiento (CPU)	Y	Y	Y	N / A	N / A	Y	norte	Y	norte
Entrenamiento (GPU)	Y	Y	Y	N / A	N / A	Y	norte	Y	norte
Inferencia (CPU)	Y	Y	Y	norte	Y	Y	Y	N / A	Y
Inferencia (GPU)	Y	Y	Y	Y	norte	Y	Y	N / A	Y

Modelos
Clasificación	Y	Y	Y	Y	Y	Y	Y	N / A	Y
Detección de objetos	Y	Y	norte	Y	Y	norte	norte	N / A	Y
Segmentación	Y	norte	norte	norte	norte	norte	norte	N / A	norte
Regresión	Y	norte	Y	norte	norte	Y	norte	N / A	norte
Autoencoder	Y	norte	N / A	norte	norte	norte	norte	N / A	norte
PNLP	Y	norte	Y	norte	norte	Y	norte	Y	norte
OCR / SEQ2SEQ	Y	norte	norte	norte	Y	norte	norte	norte	norte
Serie de tiempo	Y	norte	norte	norte	Y	Y	norte	norte	norte

Datos
CSV	Y	norte	Y	norte	norte	norte	norte	Y	norte
SVM	Y	norte	Y	norte	norte	norte	norte	norte	norte
Palabras de texto	Y	norte	Y	norte	norte	norte	norte	norte	norte
Caracteres de texto	Y	norte	norte	norte	norte	norte	norte	Y	norte
Imágenes	Y	Y	norte	Y	Y	Y	Y	Y	Y
Serie de tiempo	Y	norte	norte	norte	Y	norte	norte	norte	norte

Herramientas y clientes

Cliente de Python:
- Cliente REST: https://github.com/jolibrain/deepdetect/tree/master/clients/python
- ANINGACIONES 'A LA SCIKIT': https://github.com/ardalanm/pydd
Cliente de Javacript: https://github.com/jolibrain/deepdetect-js
Cliente de Java: https://github.com/kfadhel/deepdetect-api-java
Cliente C # temprano: # 98
LOG Métricas de entrenamiento DeepDetect a través de Tensorboard: https://github.com/jolibrain/dd_board

Modelos

	Cafetería	Flujo tensor	Fuente	Top-1 precisión (Imagenet)
Alexnet	Y	norte	Bvlc	57.1%
Squeezenet	Y	norte	Escala profunda	59.5%
Inception v1 / googlenet	Y	Y	Bvlc / google	67.9%
Inception v2	norte	Y	Google	72.2%
Inception V3	norte	Y	Google	76.9%
Inception v4	norte	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	norte	Y	Google	79.79%
VGG-16	Y	Y	Oxford	70.5%
VGG-19	Y	Y	Oxford	71.3%
Resnext 50	Y	norte	https://github.com/terrychenism/resnext	76.9%
Resnext 101	Y	norte	https://github.com/terrychenism/resnext	77.9%
Resnext 152	Y	norte	https://github.com/terrychenism/resnext	78.7%
Densenet-121	Y	norte	https://github.com/shicai/densenet-caffe	74.9%
Densenet-161	Y	norte	https://github.com/shicai/densenet-caffe	77.6%
Densenet-169	Y	norte	https://github.com/shicai/densenet-caffe	76.1%
Densenet-2011	Y	norte	https://github.com/shicai/densenet-caffe	77.3%
SE-BN Inception	Y	norte	https://github.com/hujie-frank/senet	76.38%
SE-Resnet-50	Y	norte	https://github.com/hujie-frank/senet	77.63%
SE-Resnet-101	Y	norte	https://github.com/hujie-frank/senet	78.25%
SE-Resnet-152	Y	norte	https://github.com/hujie-frank/senet	78.66%
SE-RESNEXT-50	Y	norte	https://github.com/hujie-frank/senet	79.03%
SE-RESNEXT-101	Y	norte	https://github.com/hujie-frank/senet	80.19%
Senetal	Y	norte	https://github.com/hujie-frank/senet	81.32%
VOC0712 (detección de objetos)	Y	norte	https://github.com/weiliu89/caffe/tree/ssd	71.2 Mapa
Inceptionbn-21k	Y	norte	https://github.com/pertusa/inceptionbn-21k-for-caffe	41.9%
Inception V3 5K	norte	Y	https://github.com/openimages/dataset
Modelo de marca de tierra de 5 puntos (detección de cara)	norte	norte	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
Detección del vehículo delantero/trasero (detección de objetos)	norte	norte	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

Más modelos:

Lista de redes gratuitas, incluso para uso comercial, redes neuronales profundas para la clasificación de imágenes y redes convolucionales basadas en personajes para la clasificación de texto: https://www.deepdetect.com/applications/list_models/