deepdetect

Server & API Pembelajaran Deep Source Open Source

DeepDetect (https://www.deepdetect.com/) adalah API pembelajaran mesin dan server yang ditulis dalam C ++ 11. Itu membuat pembelajaran mesin canggih mudah dikerjakan dan diintegrasikan ke dalam aplikasi yang ada. Ini memiliki dukungan untuk pelatihan dan inferensi, dengan konversi otomatis ke platform tertanam dengan Tensorrt (NVIDIA GPU) dan NCNN (ARM CPU).

Ini mengimplementasikan dukungan untuk pembelajaran mendalam yang diawasi dan tidak diawasi dari gambar, teks, rangkaian waktu dan data lainnya, dengan fokus pada kesederhanaan dan kemudahan penggunaan, pengujian dan koneksi ke dalam aplikasi yang ada. Ini mendukung klasifikasi, deteksi objek, segmentasi, regresi, autoencoders, ...

Dan itu bergantung pada perpustakaan pembelajaran mesin eksternal melalui API yang sangat umum dan fleksibel. Saat ini memiliki dukungan untuk:

• Caffe Perpustakaan Pembelajaran yang Dalam, TensorFlow, Caffe2, Torch, NCNN Tensorrt dan Dlib
• Library XGBoost yang didistribusikan gradien terdistribusi
• Clustering dengan T-SNE
• Pencarian kesamaan dengan gangguan dan faiss

Silakan bergabung dengan komunitas di Gitter, di mana kami membantu pengguna menyelesaikan dengan instalasi, API, jaring saraf dan koneksi ke aplikasi eksternal.

---

Tipe Bangun	STABIL	Mengembangkan
SUMBER

Semua gambar docker deepDetect tersedia dari https://docker.jolibrain.com/.

• Untuk mendaftar semua gambar yang tersedia:

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

• Untuk membuat daftar tag yang tersedia gambar, misalnya untuk gambar deepdetect_cpu :

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

---

• Fitur utama

• Fungsi pembelajaran mesin per perpustakaan

• Instalasi

  • Dari Docker
  • Dari sumber
  • Dari Amazon AMI: GPU dan CPU
  • Meniru pengujian integrasi kontinu

• Model siap digunakan

• Ekosistem

  • Presentasi Platform
  • Instalasi platform dengan komposisi Docker
  • Instalasi Platform dengan Helm (Kubernetes)
  • Alat dan klien

• Dokumentasi:

  • Perkenalan
  • API QuickStart: Siapkan Layanan API Klasifikasi Gambar dalam beberapa menit
  • Tutorial API: Pelatihan dari teks, data dan gambar, pengaturan layanan prediksi, dan ekspor ke perangkat lunak eksternal (misalnya Elasticsearch)
  • Referensi API
  • Contoh: MLP untuk data, teks, regresi multi-target ke CNN dan googlenet, finetuning, dll ...)
  • FAQ

• Demo:

  • Aplikasi Web Klasifikasi Gambar Menggunakan HTML dan JavaScript
  • Pencarian Kesamaan Gambar Menggunakan Klien Python
  • Deteksi Objek Gambar Menggunakan Klien Python
  • Segmentasi Gambar Menggunakan Klien Python

• Alat kinerja dan laporan yang dilakukan pada desktop NVIDIA dan GPU tertanam, bersama dengan Raspberry Pi 3.

• Referensi

• Penulis

Fitur utama

• API tingkat tinggi untuk pembelajaran mesin dan pembelajaran yang mendalam
• Dukungan untuk Caffe, TensorFlow, XGBoost, T-SNE, Caffe2, NCNN, Tensorrt, Pytorch
• Klasifikasi, Regresi, Autoencoders, Deteksi Objek, Segmentasi, Seri Waktu
• Format komunikasi JSON
• Klien Python dan Javacript jarak jauh
• server khusus dengan dukungan untuk panggilan pelatihan asinkron
• kinerja tinggi, mendapat manfaat dari multicore CPU dan GPU
• Pencarian kesamaan bawaan melalui embeddings saraf
• Konektor untuk menangani koleksi besar gambar dengan augmentasi data on-the-fly (misalnya rotasi, mirroring)
• Konektor untuk menangani file CSV dengan kemampuan preprocessing
• Konektor untuk menangani file teks, kalimat, dan model berbasis karakter
• Konektor untuk menangani format file SVM untuk data yang jarang
• Kisaran langkah-langkah penilaian model bawaan (misalnya F1, kehilangan log multiclass, ...)
• Kisaran kerugian khusus (misalnya dadu, kontur, ...)
• Tidak ada ketergantungan dan sinkronisasi database, semua informasi dan parameter model yang diatur dan tersedia dari sistem file
• format output template fleksibel untuk menyederhanakan koneksi ke aplikasi eksternal
• Templat untuk arsitektur saraf yang paling berguna (misalnya Googlenet, Alexnet, Resnet, Convnet, Convnet Berbasis Karakter, MLP, Regresi Logistik, SSD, Deeplab, Pspnet, U-Net, Crnn, Shufflenet, Squeezenet, MobileNet, Refinedet, VovNet, () ...)
• Dukungan untuk fitur dan perhitungan yang jarang pada GPU dan CPU
• Pengindeksan kesamaan bawaan dan pencarian fitur yang diprediksi, gambar, objek dan distribusi probabilitas
• dokumentasi yang dihasilkan otomatis berdasarkan kesombongan

Fungsi pembelajaran mesin per perpustakaan

	Caffe	Caffe2	Xgboost	Tensorrt	Ncnn	Libtorch	Tensorflow	T-sne	Dlib
Porsi
Pelatihan (CPU)	Y	Y	Y	N/a	N/a	Y	N	Y	N
Pelatihan (GPU)	Y	Y	Y	N/a	N/a	Y	N	Y	N
Inferensi (CPU)	Y	Y	Y	N	Y	Y	Y	N/a	Y
Inferensi (GPU)	Y	Y	Y	Y	N	Y	Y	N/a	Y
Model
Klasifikasi	Y	Y	Y	Y	Y	Y	Y	N/a	Y
Deteksi Objek	Y	Y	N	Y	Y	N	N	N/a	Y
Segmentasi	Y	N	N	N	N	N	N	N/a	N
Regresi	Y	N	Y	N	N	Y	N	N/a	N
Autoencoder	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
Seri-time	Y	N	N	N	Y	Y	N	N	N
Data
CSV	Y	N	Y	N	N	N	N	Y	N
SVM	Y	N	Y	N	N	N	N	N	N
Kata teks	Y	N	Y	N	N	N	N	N	N
Karakter Teks	Y	N	N	N	N	N	N	Y	N
Gambar	Y	Y	N	Y	Y	Y	Y	Y	Y
Seri-time	Y	N	N	N	Y	N	N	N	N

Alat dan klien

• Klien Python:
  • Klien REST: https://github.com/jolibrain/deepdetect/tree/master/clients/python
  • Ikatan 'A La Scikit': https://github.com/ardalanm/pydd
• Klien JavaCript: https://github.com/jolibrain/deepdetect-js
• Java Client: https://github.com/kfadhel/deepdetect-api-java
• Awal C # Klien: # 98
• Log DeepDetect Metrik Pelatihan Via Tensorboard: https://github.com/jolibrain/dd_board

Model

	Caffe	Tensorflow	Sumber	Akurasi Top-1 (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/densenet-caffe	74,9%
Densenet-161	Y	N	https://github.com/shicai/densenet-caffe	77,6%
Densenet-169	Y	N	https://github.com/shicai/densenet-caffe	76,1%
Densenet-201	Y	N	https://github.com/shicai/densenet-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 (Deteksi Objek)	Y	N	https://github.com/weiliu89/caffe/tree/ssd	71.2 Peta
InceptionBN-21K	Y	N	https://github.com/pertusa/inseptionbn-21k-for-caffe	41,9%
Inception v3 5k	N	Y	https://github.com/openimages/dataset
Model Landmarking Wajah 5-poin (Deteksi Wajah)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
Deteksi Kendaraan Depan/Belakang (Deteksi Objek)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

Lebih Banyak Model:

• Daftar gratis, bahkan untuk penggunaan komersial, jaring saraf dalam untuk klasifikasi gambar, dan jaring konvolusional berbasis karakter untuk klasifikasi teks: https://www.deepdetect.com/applications/list_models/

Referensi

• 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)

Penulis

DeepDetect dirancang, diimplementasikan, dan didukung oleh Jolibrain dengan bantuan kontributor lain.