GitHub - onnxmodels Előre kiképzett, korszerű modellek gyűjteménye ONNX formátumban

A GitHub több mint 50 millió fejlesztőnek ad otthont, amelyek együttesen működnek együtt kódok befogadásában és felülvizsgálatában, projektek kezelésében és szoftverek építésében.

A GitHub az, ahol a világ szoftvereket épít

Fejlesztők és vállalatok milliói építik, szállítják és tartják karban szoftverüket a GitHubon - a világ legnagyobb és legfejlettebb fejlesztői platformján.

Használja a Git vagy a checkout SVN használatát a web URL segítségével.

Dolgozzon gyorsan a hivatalos CLI-vel. Tudj meg többet.

A GitHub Desktop elindítása

Ha nem történik semmi, töltse le a GitHub Desktop alkalmazást, és próbálja újra.

A GitHub Desktop elindítása

Ha nem történik semmi, töltse le a GitHub Desktop alkalmazást, és próbálja újra.

Az Xcode elindítása

Ha semmi sem történik, töltse le az Xcode-ot és próbálja újra.

A Visual Studio elindítása

Legutóbbi elkötelezettség

Git statisztika

Fájlok

Nem sikerült betölteni a legfrissebb végrehajtási információkat.

README.md

Az Open Neural Network Exchange (ONNX) egy nyílt szabványos formátum a gépi tanulási modellek képviseletére. Az ONNX-et olyan partnerek közössége támogatja, akik számos keretrendszerben és eszközben implementálták.

Az ONNX Model Zoo egy előre kiképzett, korszerű modellek gyűjteménye, ONNX formátumban, olyan közösségi tagok közreműködésével, mint te. Mindegyik modellt Jupyter noteszgépek kísérik, amelyek a modellképzéshez és a betanított modellre való futáshoz vezetnek. A füzetek Python-ban íródnak, és tartalmazzák az oktatási adatkészletre mutató hivatkozásokat, valamint hivatkozásokat az eredeti papírra, amely leírja a modell architektúráját.

Az ONNX modellfájlok tárolására szabványosítottuk a Git LFS-t (Large File Storage). ONNX modell letöltéséhez lépjen a megfelelő Github oldalra, és kattintson a jobb felső sarokban található Letöltés gombra.

Az ONNX Model Zoo fájlformátumaival (.onnx, .pb, .npz), több ONNX modell letöltésével a Git LFS parancssoron keresztül és az indító Python kóddal az ONNX modell tesztelési adatokkal történő hitelesítéséhez olvassa el az alábbi Használati részt.

Ez a modellgyűjtemény a képeket bemenetként veszi fel, majd a képek főbb objektumait 1000 objektumkategóriába sorolja, például billentyűzet, egér, ceruza és sok állat.

13-szoros gyorsítás az AlexNet felett ARM-alapú mobil eszközökön. A MobileNet-hez képest a ShuffleNet hatékony felépítésével jelentős különbséggel kiváló teljesítményt ér el.
Top-1 hiba a papírból -

Ez a modellek részhalmaza a képeket meghatározott tartományokhoz és adatkészletekhez osztályozza.

Az objektumdetektáló modellek több objektum jelenlétét érzékelik egy képen, és szegmentálják a kép azon területeit, ahol az objektumokat észlelik. A szemantikus szegmentálás úgy modellezi a bemeneti képet, hogy minden pixelt előre meghatározott kategóriákba sorol fel.

Az arcfelismerő modellek azonosítják és/vagy felismerik az emberi arcokat és érzelmeket az adott képeken. A test- és gesztuselemzési modellek meghatározzák a nemet és az életkort az adott képen.

A képmanipulációs modellek neurális hálózatokkal alakítják át a bemeneti képeket módosított kimeneti képekké. Ebben a kategóriában néhány népszerű modell magában foglalja a stílusátvitelt vagy a képek javítását a felbontás növelésével.

Ez a modellosztály hangadatokat használ olyan modellek képzésére, amelyek képesek azonosítani a hangot, zenét generálni vagy akár hangosan felolvasni a szöveget.

A természetes nyelvi feldolgozási modellek ezen részhalmaza, amelyek megválaszolják az adott kontextus bekezdéssel kapcsolatos kérdéseket.

A természetes nyelvi feldolgozási modellek ezen osztálya megtanulja, hogyan kell lefordítani a bevitt szöveget egy másik nyelvre.

A természetes nyelvi feldolgozási modellek ezen részhalmaza a szöveg nagy testéből tanulja meg a nyelv reprezentációit.

A természetes nyelvi feldolgozási modellek ezen részhalmaza bemeneti képeket használ a képekre vonatkozó kérdések megválaszolásához.

Modellosztály Referencia Leírás

Szöveg képre	Generatív versengéses szöveg-kép szintézis	Hatékonyan áthidalja a szöveg- és képmodellezés fejlődését, a vizuális fogalmakat karakterekről pixelekre fordítva. A részletes szöveges leírásokból hihető képeket generál madarakról és virágokról. hozzájárul
Idősoros előrejelzés	Hosszú és rövid távú időbeli minták modellezése mély neurális hálózatokkal	A modell a rövid távú lokális függőségi mintákat vonja ki a változók közül, és hosszú távú mintákat fedez fel az idősor trendjeihez. Segít megjósolni a naperőművek energiatermelését, az áramfogyasztást és a forgalmi dugóhelyzeteket. hozzájárul
Ajánló rendszerek	DropoutNet: A Cold Start megoldása az ajánló rendszerekben	Együttműködő szűrési módszer, amely előrejelzéseket készít az egyén preferenciáiról más felhasználók preferenciái alapján. hozzájárul
Együttműködő szűrés	Neurális kollaboratív szűrés	A felhasználó és az elem tulajdonságainak kölcsönhatásán alapuló DNN modell, mátrixfaktorizációval. hozzájárul
Automatikus kódolók	Hierarchikus neurális autoencoder bekezdésekhez és dokumentumokhoz	LSTM (hosszú távú memória) automatikus kódoló a több mondatos bekezdések megőrzéséhez és rekonstrukciójához. hozzájárul

Minden ONNX háttérprogramnak támogatnia kell a modellek dobozból történő futtatását. Miután letöltötte és kibontotta az egyes modellek tárcsáját, a következőket találja:

Egy protobuf fájl model.onnx, amely a sorosított ONNX modellt képviseli.
Tesztadatok (sorosított protobuf TensorProto fájlok vagy sorosított NumPy archívumok formájában).

Használat - Tesztadatok indító kódja

A tesztadatfájlok felhasználhatók az ONNX modellek validálására a Model Zoo-ból. A kezdéshez a következő interfész-példákat adtuk meg. Kérjük, cserélje ki a kódban található onnx_backend parancsot az Ön által kiválasztott megfelelő keretrendszerre, amely az ONNX következtetési támogatást nyújtja, és hasonlóképpen cserélje ki a backend.run_model szót a keretrendszer modellértékelési logikájával.

A tesztadatfájloknak két különböző formátuma van:

Serializált protobuf TensorProtos (.pb), mappákban tárolva, a test_data_set__ elnevezési konvencióval .

Sorosított Numpy archívumok, fájlokban tárolva, a test_data _ *. Npz elnevezési konvencióval. Minden fájl egy teszt bemenet és kimenet készletet tartalmaz.

Alapértelmezés szerint ennek az adattárnak a klónozása nem tölt le egyetlen ONNX modellt sem. Telepítse a Git LFS-t a pip install git-lfs paranccsal .

Egy adott modell letöltése: git lfs pull --include = "[a modell elérési útja] .onnx" --exclude = "

Az összes modell letöltése: git lfs pull --include = "*" --exclude = "

Használat - Modellmegjelenítés

Hozzászólni szeretne egy modellhez? A kezdéshez válasszon bármelyik fent bemutatott modellt, a Leírás oszlop alatti hozzájárulás linkkel. A linkek olyan oldalra mutatnak, amely útmutatót tartalmaz a hozzájáruláshoz.