Скачать deepdetect - deepdetect исходный код скачать

deepdetect

Питон

v0.26.0

Скачать

Сервер и API с открытым исходным кодом

DeepDetect (https://www.deepdetect.com/) - это API машинного обучения и сервер, написанный в C ++ 11. Это делает современное машинное обучение легко работать и интегрироваться в существующие приложения. Он имеет поддержку как для обучения, так и для вывода, с автоматическим преобразованием в встроенные платформы с Tensorrt (NVIDIA GPU) и NCNN (CPU ARM).

Он реализует поддержку контролируемого и неконтролируемого глубокого изучения изображений, текста, временных рядов и других данных, с акцентом на простоту и простоте использования, тестирование и соединение с существующими приложениями. Он поддерживает классификацию, обнаружение объектов, сегментацию, регрессию, автоэкодер, ...

И он опирается на библиотеки внешнего машинного обучения через очень общий и гибкий API. На данный момент он поддерживает:

Библиотеки глубокого обучения Caffe, Tensorflow, Caffe2, Torch, Ncnn Tensorrt и Dlib
Библиотека повышения распределенного градиента XGBOOST
кластеризация с T-Sne
Поиск сходства с Anyy и Faiss

Пожалуйста, присоединяйтесь к сообществу на Gitter, где мы помогаем пользователям пройти установку, API, нейронные сети и подключение к внешним приложениям.

Тип сборки	СТАБИЛЬНЫЙ	Депутат
ИСТОЧНИК

Все изображения DeepDetect Docker доступны по адресу https://docker.jolibrain.com/.

Чтобы перечислить все доступные изображения:

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

Чтобы перечислить доступные теги изображения, например, для изображения deepdetect_cpu :

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

Основные особенности
Функции машинного обучения на библиотеку
Установка
- От Docker
- Из источника
- От Amazon AMI: GPU и процессор
- Имитировать непрерывное тестирование интеграции
Модели готовы к использованию
Экосистема
- Презентация платформы
- Установка платформы с докером
- Установка платформы с Helm (Kubernetes)
- Инструменты и клиенты
Документация:
- Введение
- API QuickStart: настройка сервиса API Classifier Image за несколько минут
- Учебники API: обучение из текста, данных и изображений, настройка служб прогнозирования и экспорт на внешнее программное обеспечение (например, Elasticsearch)
- Ссылка на API
- Примеры: MLP для данных, текста, многоцелевой регрессии в CNN и Googlenet, Manetuning и т. Д.)
- Часто задаваемые вопросы
Демо:
- Веб -приложение классификации изображений с использованием HTML и JavaScript
- Поиск сходства изображений с использованием клиента Python
- Обнаружение объекта изображения с использованием клиента Python
- Сегментация изображения с использованием клиента Python
Инструменты производительности и отчет, сделанные на рабочем столе Nvidia и встроенных графических процессоров, а также Raspberry Pi 3.
Ссылки
Авторы

Основные особенности

API высокого уровня для машинного обучения и глубокого обучения
Поддержка Caffe, Tensorflow, Xgboost, T-Sne, Caffe2, NCNN, Tensorrt, Pytorch
Классификация, регрессия, автоэкомподер, обнаружение объектов, сегментация, временные ряды
JSON Communication Format
клиенты с отдаленным Python и Javacript
Выделенный сервер с поддержкой асинхронных учебных вызовов
Высокие выступления, выгода от многоядерного процессора и графического процессора
Встроенный поиск сходства с помощью нейронных встраиваний
Разъем для обработки больших коллекций изображений с увеличением данных на леле (например, вращения, зеркалирования)
разъем для обработки файлов CSV с возможностями предварительной обработки
Разъем для обработки текстовых файлов, предложений и моделей на основе символов
разъем для обработки формата файла SVM для разреженных данных
Диапазон встроенных мер по оценке моделей (например, F1, потеря логарифмического журнала, ...)
Диапазон особых потерь (например, кости, контур, ...)
Нет зависимости и синхронизации базы данных, вся информация и параметры модели, организованные и доступны в файловой системе
Гибкий выходной формат шаблона для упрощения подключения к внешним приложениям
Шаблоны для наиболее полезных нейронных архитектур (например, Googlenet, Alexnet, Resnet, Convnet, Convnet на основе символов, MLP, логистическая регрессия, SSD, Deeplab, Pspnet, U-Net, Crnn, Shufflenet, Squeezenet, MobileNet, RefineTet, Vovnet, ...)
Поддержка разреженных функций и вычислений как на графическом процессоре, так и на процессоре
Встроенное индексация сходства и поиск прогнозируемых функций, изображений, объектов и распределений вероятностей
Автогенерированная документация на основе чванства

Функции машинного обучения на библиотеку

	Кофе	Caffe2	XGBOOST	Тенсорт	Ncnn	Либторх	Tensorflow	T-Sne	Dlib
Порция
Обучение (процессор)	У	У	У	N/a	N/a	У	Не	У	Не
Обучение (графический процессор)	У	У	У	N/a	N/a	У	Не	У	Не
Вывод (процессор)	У	У	У	Не	У	У	У	N/a	У
Вывод (GPU)	У	У	У	У	Не	У	У	N/a	У

Модели
Классификация	У	У	У	У	У	У	У	N/a	У
Обнаружение объекта	У	У	Не	У	У	Не	Не	N/a	У
Сегментация	У	Не	Не	Не	Не	Не	Не	N/a	Не
Регрессия	У	Не	У	Не	Не	У	Не	N/a	Не
AutoEncoder	У	Не	N/a	Не	Не	Не	Не	N/a	Не
НЛП	У	Не	У	Не	Не	У	Не	У	Не
Ocr / seq2seq	У	Не	Не	Не	У	Не	Не	Не	Не
Временные ряды	У	Не	Не	Не	У	У	Не	Не	Не

Данные
CSV	У	Не	У	Не	Не	Не	Не	У	Не
SVM	У	Не	У	Не	Не	Не	Не	Не	Не
Текстовые слова	У	Не	У	Не	Не	Не	Не	Не	Не
Текстовые символы	У	Не	Не	Не	Не	Не	Не	У	Не
Изображения	У	У	Не	У	У	У	У	У	У
Временные ряды	У	Не	Не	Не	У	Не	Не	Не	Не

Инструменты и клиенты

Python Client:
- REST CLIENT: https://github.com/jolibrain/deepdetect/tree/master/clients/python
- 'a la scikit' привязки: https://github.com/ardalanm/pydd
Javacript client: https://github.com/jolibrain/deepdetect-js
Java Client: https://github.com/kfadhel/deepdetect-api-java
Ранний C # Client: # 98
Войдите в DeepDetect Training Metrics через Tensorboard: https://github.com/jolibrain/dd_board

Модели

	Кофе	Tensorflow	Источник	Точность TOP-1 (ImageNet)
Алекснет	У	Не	BVLC	57,1%
Squeezenet	У	Не	Глубокий	59,5%
Начало V1 / Googlenet	У	У	BVLC / Google	67,9%
Начало V2	Не	У	Google	72,2%
Начало V3	Не	У	Google	76,9%
Начало V4	Не	У	Google	80,2%
Resnet 50	У	У	Мср	75,3%
Resnet 101	У	У	Мср	76,4%
Resnet 152	У	У	Мср	77%
Начало-Resnet-V2	Не	У	Google	79,79%
VGG-16	У	У	Оксфорд	70,5%
VGG-19	У	У	Оксфорд	71,3%
Resnext 50	У	Не	https://github.com/terrychenism/resnext	76,9%
Resnext 101	У	Не	https://github.com/terrychenism/resnext	77,9%
Resnext 152	У	Не	https://github.com/terrychenism/resnext	78,7%
Денсенет-121	У	Не	https://github.com/shicai/densenet-caffe	74,9%
Денсенет-161	У	Не	https://github.com/shicai/densenet-caffe	77,6%
Денсенет-169	У	Не	https://github.com/shicai/densenet-caffe	76,1%
Денсенет-201	У	Не	https://github.com/shicai/densenet-caffe	77,3%
Se-Bn-Incept	У	Не	https://github.com/hujie-frank/senet	76,38%
SE-Resnet-50	У	Не	https://github.com/hujie-frank/senet	77,63%
SE-Resnet-101	У	Не	https://github.com/hujie-frank/senet	78,25%
SE-Resnet-152	У	Не	https://github.com/hujie-frank/senet	78,66%
SE-Resnext-50	У	Не	https://github.com/hujie-frank/senet	79,03%
SE-Resnext-101	У	Не	https://github.com/hujie-frank/senet	80,19%
Сена	У	Не	https://github.com/hujie-frank/senet	81,32%
VOC0712 (обнаружение объекта)	У	Не	https://github.com/weiliu89/caffe/tree/ssd	71.2 Карта
Началобн-21K	У	Не	https://github.com/pertusa/inceptionbn-21k-for-caffe	41,9%
Начало V3 5K	Не	У	https://github.com/openimages/dataset
5-точечная модель достопримечательности лица (обнаружение лица)	Не	Не	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
Обнаружение переднего/заднего автомобиля (обнаружение объекта)	Не	Не	http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

Больше моделей:

Список бесплатных, даже для коммерческого использования, глубоких нейронных сетей для классификации изображений и сверточных сетей на основе символов для классификации текста: https://www.deepdetect.com/applications/list_models/