lightning bolts
ved YOLO models
Composants d'apprentissage en profondeur pour l'extension de la foudre pytorch
Installation • Derniers documents • Docs stables • À propos de • Communauté • Site Web • Licence
Pip / conda
pip install lightning-boltsInstallez le bord de saignement (aucune garantie)
pip install https://github.com/Lightning-Universe/lightning-bolts/archive/refs/heads/master.zipPour installer toutes les dépendances facultatives
pip install lightning-bolts[ " extra " ]Le package Bolts fournit une variété de composants pour étendre Pytorch Lightning, tels que des rappels et des ensembles de données, pour la recherche et la production appliquées.
Torch Ort convertit votre modèle en un graphique ONNX optimisé, accélérant l'entraînement et l'inférence lors de l'utilisation de GPU NVIDIA ou AMD. Voir la documentation pour plus de détails.
from pytorch_lightning import LightningModule , Trainer
import torchvision . models as models
from pl_bolts . callbacks import ORTCallback
class VisionModel ( LightningModule ):
def __init__ ( self ):
super (). __init__ ()
self . model = models . vgg19_bn ( pretrained = True )
...
model = VisionModel ()
trainer = Trainer ( gpus = 1 , callbacks = ORTCallback ())
trainer . fit ( model )Nous pouvons introduire la rareté lors du réglage fin avec SPARSEML, ce qui nous permet finalement de tirer parti du moteur profond pour voir les améliorations des performances au moment de l'inférence.
from pytorch_lightning import LightningModule , Trainer
import torchvision . models as models
from pl_bolts . callbacks import SparseMLCallback
class VisionModel ( LightningModule ):
def __init__ ( self ):
super (). __init__ ()
self . model = models . vgg19_bn ( pretrained = True )
...
model = VisionModel ()
trainer = Trainer ( gpus = 1 , callbacks = SparseMLCallback ( recipe_path = "recipe.yaml" ))
trainer . fit ( model )Nous aimerions encourager les utilisateurs à contribuer des composants généraux qui aideront un large éventail de problèmes; Cependant, les composants qui aident les domaines spécifiques seront également accueillis!
Par exemple, un rappel pour aider à former des modèles SSL serait une grande contribution; Cependant, le prochain plus grand modèle SSL de votre dernier article serait une bonne contribution à Lightning Flash.
Utilisez Lightning Flash pour former, prédire et servir des modèles de pointe pour la recherche appliquée. Nous vous suggérons de regarder notre intégration VISSL Flash pour les tâches basées sur SSL.
Bolts est soutenu par l'équipe Pytorch Lightning et la communauté Pytorch Lightning!
Rejoignez notre Slack et / ou lisez nos directives contributives pour obtenir de l'aide pour devenir un contributeur!
Veuillez observer la licence Apache 2.0 répertoriée dans ce référentiel. De plus, le framework Lightning est en attente de brevet.
