หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

เซิร์ฟเวอร์การเรียนรู้เชิงลึกแบบโอเพ่นซอร์สและ API

DeepDetect (https://www.deepdetect.com/) เป็น API การเรียนรู้ของเครื่องและเซิร์ฟเวอร์ที่เขียนใน C ++ 11 มันทำให้การเรียนรู้ที่ทันสมัยของเครื่องศิลปะง่ายต่อการทำงานและรวมเข้ากับแอพพลิเคชั่นที่มีอยู่ มันมีการสนับสนุนสำหรับทั้งการฝึกอบรมและการอนุมานด้วยการแปลงอัตโนมัติเป็นแพลตฟอร์มฝังตัวด้วย Tensorrt (Nvidia GPU) และ NCNN (ARM CPU)

มันใช้การสนับสนุนสำหรับการเรียนรู้อย่างลึกซึ้งและไม่ได้รับการดูแลอย่างลึกซึ้งเกี่ยวกับรูปภาพข้อความอนุกรมเวลาและข้อมูลอื่น ๆ โดยมุ่งเน้นไปที่ความเรียบง่ายและความสะดวกในการใช้งานทดสอบและการเชื่อมต่อกับแอปพลิเคชันที่มีอยู่ รองรับการจำแนกประเภทการตรวจจับวัตถุการแบ่งส่วนการถดถอย autoencoders ...

และขึ้นอยู่กับห้องสมุดการเรียนรู้ของเครื่องภายนอกผ่าน API ทั่วไปและยืดหยุ่น ในขณะนี้มีการสนับสนุน:

  • ห้องสมุดการเรียนรู้ลึกคาเฟอีน, tensorflow, caffe2, คบเพลิง, ncnn tensorrt และ dlib
  • การเพิ่มระดับการไล่ระดับสีห้องสมุด xgboost
  • การจัดกลุ่มด้วย T-Sne
  • การค้นหาความคล้ายคลึงกันด้วยการรบกวนและ faiss

โปรดเข้าร่วมชุมชนใน Gitter ที่เราช่วยให้ผู้ใช้ผ่านการติดตั้ง, API, อวนประสาทและการเชื่อมต่อกับแอปพลิเคชันภายนอก

สร้างประเภท มั่นคง จ้อง
แหล่งที่มา

ภาพ DeepDetect Docker ทั้งหมดมีให้บริการจาก https://docker.jolibrain.com/

  • เพื่อแสดงรายการรูปภาพที่มีอยู่ทั้งหมด: 
 curl -X GET https://docker.jolibrain.com/v2/_catalog
  • หากต้องการแสดงรายการแท็กที่มีภาพเช่นภาพ deepdetect_cpu : 
 curl -X GET https://docker.jolibrain.com/v2/deepdetect_cpu/tags/list

  • คุณสมบัติหลัก

  • ฟังก์ชั่นการเรียนรู้ของเครื่องต่อห้องสมุด

  • การติดตั้ง

    • จาก Docker
    • จากแหล่งกำเนิด
    • จาก Amazon Ami: GPU และ CPU
    • การทดสอบการรวมกลุ่มอย่างต่อเนื่อง

  • รุ่นพร้อมใช้งาน

  • ระบบนิเวศ

    • การนำเสนอแพลตฟอร์ม
    • การติดตั้งแพลตฟอร์มด้วย compose docker
    • การติดตั้งแพลตฟอร์มด้วย Helm (Kubernetes)
    • เครื่องมือและลูกค้า

  • เอกสาร:

    • การแนะนำ
    • API QuickStart: ตั้งค่าบริการตัวจําแนกรูปภาพ API ในไม่กี่นาที
    • บทช่วยสอน API: การฝึกอบรมจากข้อความข้อมูลและรูปภาพการตั้งค่าบริการทำนายและส่งออกไปยังซอฟต์แวร์ภายนอก (เช่น Elasticsearch)
    • การอ้างอิง API
    • ตัวอย่าง: MLP สำหรับข้อมูลข้อความการถดถอยหลายเป้าหมายไปยัง CNN และ Googlenet, finetuning ฯลฯ ... )
    • คำถามที่พบบ่อย

  • การสาธิต:

    • เว็บแอปพลิเคชันการจำแนกรูปภาพโดยใช้ HTML และ JavaScript
    • การค้นหาภาพที่คล้ายคลึงกันโดยใช้ไคลเอนต์ Python
    • การตรวจจับวัตถุภาพโดยใช้ไคลเอนต์ Python
    • การแบ่งส่วนรูปภาพโดยใช้ไคลเอนต์ Python

  • เครื่องมือประสิทธิภาพและรายงานที่ทำบนเดสก์ท็อป Nvidia และ GPU แบบฝังพร้อมกับ Raspberry Pi 3

  • การอ้างอิง

  • ผู้เขียน

คุณสมบัติหลัก

  • API ระดับสูงสำหรับการเรียนรู้ของเครื่องและการเรียนรู้อย่างลึกซึ้ง
  • สนับสนุนคาเฟอีน, tensorflow, xgboost, t-sne, caffe2, ncnn, tensorrt, pytorch
  • การจำแนกประเภทการถดถอยอัตโนมัติการตรวจจับวัตถุการแบ่งส่วนเวลาอนุกรมเวลา
  • รูปแบบการสื่อสาร JSON
  • ไคลเอนต์ Python และ Javacript ระยะไกล
  • เซิร์ฟเวอร์เฉพาะพร้อมการสนับสนุนสำหรับการฝึกอบรมแบบอะซิงโครนัส
  • มีประสิทธิภาพสูงได้รับประโยชน์จาก CPU และ GPU แบบมัลติคอร์
  • การค้นหาความคล้ายคลึงกันในตัวผ่านการฝังระบบประสาท
  • ตัวเชื่อมต่อเพื่อจัดการคอลเลกชันขนาดใหญ่ของภาพด้วยการเพิ่มข้อมูลแบบ on-the-fly (เช่นการหมุน, การมิเรอร์)
  • ตัวเชื่อมต่อเพื่อจัดการไฟล์ CSV ด้วยความสามารถในการประมวลผลล่วงหน้า
  • ตัวเชื่อมต่อเพื่อจัดการไฟล์ข้อความประโยคและโมเดลที่ใช้อักขระ
  • ตัวเชื่อมต่อเพื่อจัดการรูปแบบไฟล์ SVM สำหรับข้อมูลกระจัดกระจาย
  • ช่วงของมาตรการการประเมินแบบจำลองในตัว (เช่น F1, การสูญเสียบันทึกหลายระดับ, ... )
  • ช่วงของการสูญเสียพิเศษ (เช่นลูกเต๋า, รูปร่าง, ... )
  • ไม่มีการพึ่งพาฐานข้อมูลและการซิงค์ข้อมูลทั้งหมดและพารามิเตอร์โมเดลที่จัดระเบียบและพร้อมใช้งานจากระบบไฟล์
  • รูปแบบเอาต์พุตเทมเพลตที่ยืดหยุ่นเพื่อทำให้การเชื่อมต่อกับแอปพลิเคชันภายนอกง่ายขึ้น
  • เทมเพลตสำหรับสถาปัตยกรรมประสาทที่มีประโยชน์มากที่สุด (เช่น Googlenet, Alexnet, Resnet, Convnet, Convnet ที่ใช้ตัวละคร, MLP, การถดถอยโลจิสติก, SSD, Deeplab, Pspnet, U-Net, CRNN, Shufflenet, Squeezenet, MobileNet
  • รองรับคุณสมบัติและการคำนวณที่กระจัดกระจายทั้ง GPU และ CPU
  • การจัดทำดัชนีความคล้ายคลึงกันในตัวและการค้นหาคุณสมบัติรูปภาพภาพวัตถุและการแจกแจงความน่าจะเป็น
  • เอกสารที่สร้างขึ้นอัตโนมัติตาม Swagger

ฟังก์ชั่นการเรียนรู้ของเครื่องต่อห้องสมุด

คาเฟอีน Caffe2 xgboost Tensorrt ncnn libtorch เทนเซอร์โฟลว์ T-Sne dlib
การรับใช้
การฝึกอบรม (CPU) y y y N/A N/A y n y n
การฝึกอบรม (GPU) y y y N/A N/A y n y n
การอนุมาน (CPU) y y y n y y y N/A y
การอนุมาน (GPU) y y y y n y y N/A y
แบบจำลอง
การจำแนกประเภท y y y y y y y N/A y
การตรวจจับวัตถุ y y n y y n n N/A y
การแบ่งส่วน y n n n n n n N/A n
การถดถอย y n y n n y n N/A n
เครื่องดนตรีอัตโนมัติ 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
อนุกรมเวลา y n n n y y n n n
ข้อมูล
CSV y n y n n n n y n
SVM y n y n n n n n n
ข้อความข้อความ y n y n n n n n n
อักขระข้อความ y n n n n n n y n
ภาพ y y n y y y y y y
อนุกรมเวลา y n n n y n n n n

เครื่องมือและลูกค้า

  • ไคลเอนต์ Python:
    • REST Client: https://github.com/jolibrain/deepdetect/tree/master/clients/python
    • การผูก 'a la scikit': https://github.com/ardalanm/pydd
  • ไคลเอนต์ Javacript: https://github.com/jolibrain/deepdetect-js
  • ไคลเอนต์ Java: https://github.com/kfadhel/deepdetect-api-java
  • ต้น C # ไคลเอนต์: # 98
  • บันทึกตัวชี้วัดการฝึกอบรม DeepDetect ผ่าน Tensorboard: https://github.com/jolibrain/dd_board

แบบจำลอง

คาเฟอีน เทนเซอร์โฟลว์ แหล่งที่มา ความแม่นยำสูงสุด -1 (Imagenet)
Alexnet y n BVLC 57.1%
บอบบาง y n ขนาดลึก 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 ฟอร์ดฟอร์ด 70.5%
VGG-19 y y ฟอร์ดฟอร์ด 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%
เซเน็ต y n https://github.com/hujie-frank/senet 81.32%
VOC0712 (การตรวจจับวัตถุ) y n https://github.com/weiliu89/caffe/tree/ssd 71.2 แผนที่
InceptionBN-21K y n https://github.com/pertusa/inceptionbn-21k-for-caffe 41.9%
Inception V3 5K n y https://github.com/openimages/dataset
รูปแบบการทำเครื่องหมาย 5 จุด (การตรวจจับใบหน้า) n n http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html
การตรวจจับยานพาหนะด้านหน้า/ด้านหลัง (การตรวจจับวัตถุ) n n http://blog.dlib.net/2017/09/fast-multiclass-object-detection-in.html

รุ่นเพิ่มเติม:

  • รายการฟรีแม้สำหรับการใช้งานเชิงพาณิชย์อวนประสาทลึกสำหรับการจำแนกรูปภาพและอวน convolutional ตามอักขระสำหรับการจำแนกข้อความ: https://www.deepdetect.com/applications/list_models/

การอ้างอิง

  • DeepDetect (https://www.deepdetect.com/)
  • Caffe (https://github.com/jolibrain/caffe)
  • xgboost (https://github.com/dmlc/xgboost)
  • T-SNE (https://github.com/dmitryulylulyanov/multicore-tsne)

ผู้เขียน

DeepDetect ได้รับการออกแบบดำเนินการและสนับสนุนโดย Jolibrain ด้วยความช่วยเหลือของผู้มีส่วนร่วมอื่น ๆ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด