deepdetect

Open Source Deep Learning Server & API

DeepDetect (https://www.deepdetect.com/) é uma API de aprendizado de máquina e servidor escrito em C ++ 11. Isso facilita o aprendizado de máquinas de última geração e a integração nas aplicações existentes. Possui suporte para treinamento e inferência, com conversão automática em plataformas incorporadas com Tensorrt (NVIDIA GPU) e NCNN (CPU ARM).

Ele implementa suporte para aprendizado profundo supervisionado e não supervisionado de imagens, texto, séries temporais e outros dados, com foco na simplicidade e na facilidade de uso, teste e conexão em aplicativos existentes. Ele suporta classificação, detecção de objetos, segmentação, regressão, autoencoders, ...

E depende de bibliotecas externas de aprendizado de máquina por meio de uma API muito genérica e flexível. No momento, ele tem suporte para:

• As bibliotecas de aprendizado profundo Caffe, Tensorflow, Caffe2, Torch, NCNN Tensorrt e Dlib
• Biblioteca de reforço de gradiente distribuído XGBOOST
• agrupamento com t-sne
• Pesquisa de similaridade com irritação e faiss

Junte -se à comunidade no Gitter, onde ajudamos os usuários a concluir a instalação, API, redes neurais e conexão com aplicativos externos.

---

Tipo de construção	ESTÁVEL	Devel
FONTE

Todas as imagens do DeepDetect Docker disponíveis em https://docker.jolibrain.com/.

• Para listar todas as imagens disponíveis:

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

• Para listar uma imagem Tags disponíveis, por exemplo, para a imagem deepdetect_cpu :

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

---

• Principais características

• Aprendizado de máquina funcionalidades por biblioteca

• Instalação

  • De Docker
  • Da fonte
  • Da Amazon Ami: GPU e CPU
  • Imitar testes de integração contínua

• Modelos prontos para uso

• Ecossistema

  • Apresentação da plataforma
  • Instalação da plataforma com Docker-Compose
  • Instalação da plataforma com leme (Kubernetes)
  • Ferramentas e clientes

• Documentação:

  • Introdução
  • API QuickStart: Configure um serviço de API de classificador de imagem em alguns minutos
  • Tutoriais da API: treinamento de texto, dados e imagens, configuração de serviços de previsão e exportação para software externo (por exemplo, elasticsearch)
  • Referência da API
  • Exemplos: MLP para dados, texto, regressão de vários alvos à CNN e Googlenet, Finetuning, etc ...)
  • Perguntas frequentes

• Demos:

  • Aplicativo da Web de classificação de imagem usando HTML e JavaScript
  • Pesquisa de similaridade de imagem usando o cliente Python
  • Detecção de objetos de imagem usando o cliente Python
  • Segmentação de imagem usando o cliente Python

• Ferramentas e relatórios de desempenho feitos na área de trabalho da NVIDIA e GPUs incorporadas, juntamente com o Raspberry Pi 3.

• Referências

• Autores

Principais características

• API de alto nível para aprendizado de máquina e aprendizado profundo
• Suporte para Caffe, Tensorflow, XGboost, T-SNE, Caffe2, NCNN, Tensorrt, Pytorch
• Classificação, regressão, autoencoders, detecção de objetos, segmentação, série temporal
• Formato de comunicação JSON
• clientes remotos python e javacript
• Servidor dedicado com suporte para chamadas de treinamento assíncrono
• Altos desempenhos, beneficiam da CPU e GPU multicore
• Pesquisa de similaridade interna via incorporação neural
• Conector para lidar com grandes coleções de imagens com aumento de dados on-the-fly (por exemplo, rotações, espelhamento)
• conector para lidar com arquivos CSV com recursos de pré -processamento
• conector para lidar com arquivos de texto, frases e modelos baseados em caracteres
• conector para lidar com o formato de arquivo SVM para dados esparsos
• Gama de medidas de avaliação de modelo interno (por exemplo, F1, perda de log multiclasse, ...)
• gama de perdas especiais (por exemplo, dados, contorno, ...)
• Nenhuma dependência e sincronização do banco de dados, todas as informações e parâmetros de modelo organizados e disponíveis no sistema de arquivos
• Formato de saída de modelo flexível para simplificar a conexão com aplicativos externos
• Modelos para as arquiteturas neurais mais úteis (por exemplo, Googlenet, Alexnet, Resnet, ConvNet, ConvNet baseado em caracteres, MLP, regressão logística, SSD, Deeplab, Pspnet, U-Net, CRNN, Shufflenet, SqueeEzenet, MobileNet, Refinedet, Vrovn, Vrovn, Sheflenet,)
• Suporte para recursos esparsos e cálculos na GPU e na CPU
• Indexação de similaridade interna e pesquisa de recursos previstos, imagens, objetos e distribuições de probabilidade
• documentação gerada automaticamente com base em arrogância

Aprendizado de máquina funcionalidades por biblioteca

	Caffe	Caffe2	Xgboost	Tensorrt	Ncnn	Libtorch	Tensorflow	T-sne	Dlib
Servir
Treinamento (CPU)	Y	Y	Y	N / D	N / D	Y	N	Y	N
Treinamento (GPU)	Y	Y	Y	N / D	N / D	Y	N	Y	N
Inferência (CPU)	Y	Y	Y	N	Y	Y	Y	N / D	Y
Inferência (GPU)	Y	Y	Y	Y	N	Y	Y	N / D	Y
Modelos
Classificação	Y	Y	Y	Y	Y	Y	Y	N / D	Y
Detecção de objetos	Y	Y	N	Y	Y	N	N	N / D	Y
Segmentação	Y	N	N	N	N	N	N	N / D	N
Regressão	Y	N	Y	N	N	Y	N	N / D	N
AutoEncoder	Y	N	N / D	N	N	N	N	N / D	N
NLP	Y	N	Y	N	N	Y	N	Y	N
OCR / SEQ2SEQ	Y	N	N	N	Y	N	N	N	N
Série temporal	Y	N	N	N	Y	Y	N	N	N
Dados
CSV	Y	N	Y	N	N	N	N	Y	N
Svm	Y	N	Y	N	N	N	N	N	N
Palavras de texto	Y	N	Y	N	N	N	N	N	N
Caracteres de texto	Y	N	N	N	N	N	N	Y	N
Imagens	Y	Y	N	Y	Y	Y	Y	Y	Y
Série temporal	Y	N	N	N	Y	N	N	N	N

Ferramentas e clientes

• Cliente Python:
  • Cliente REST: https://github.com/jolibrain/deepdetect/tree/master/clients/python
  • Bindings 'a la scikit': https://github.com/ardalanm/pydd
• Javacript Client: https://github.com/jolibrain/deepdetect-js
• Cliente java: https://github.com/kfadhel/deepdetect-api-java
• CLIENTE C # Early: # 98
• Log DeepDetect Training Métricas via Tensorboard: https://github.com/jolibrain/dd_board

Modelos

	Caffe	Tensorflow	Fonte	Top-1 precisão (imagenet)
Alexnet	Y	N	BVLC	57,1%
Squeezenet	Y	N	DeepScale	59,5%
Início v1 / googlenet	Y	Y	BVLC / Google	67,9%
Início v2	N	Y	Google	72,2%
Início v3	N	Y	Google	76,9%
Início 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%
Início-ressente-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-Cepito	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 (Detecção de Objetos)	Y	N	https://github.com/weiliu89/caffe/tree/ssd	71.2 Mapa
EMCCOMENTEBN-21K	Y	N	https://github.com/pertusa/inceptionbn-21k-for-caffe	41,9%
Início v3 5k	N	Y	https://github.com/openimages/dataset
Modelo LandMarking de 5 pontos (detecção de rosto)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
Detecção de veículo dianteiro/traseiro (detecção de objetos)	N	N	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

Mais modelos:

• Lista de grátis, mesmo para uso comercial, redes neurais profundas para classificação de imagens e redes convolucionais baseadas em caracteres para classificação de texto: https://www.deepdetect.com/applications/list_models/

Referências

• 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)

Autores

O DeepDetect é projetado, implementado e suportado pela Jolibrain com a ajuda de outros colaboradores.