GitHub е дом на над 50 милиона разработчици, които работят заедно за хостване и преглед на код, управление на проекти и изграждане на софтуер заедно.

колекция

GitHub е мястото, където светът създава софтуер

Милиони разработчици и компании изграждат, доставят и поддържат своя софтуер на GitHub - най-голямата и най-модерна платформа за развитие в света.

Използвайте Git или плащане с SVN, като използвате уеб URL адреса.

Работете бързо с нашия официален CLI. Научете повече.

Стартиране на GitHub Desktop

Ако нищо не се случи, изтеглете GitHub Desktop и опитайте отново.

Стартиране на GitHub Desktop

Ако нищо не се случи, изтеглете GitHub Desktop и опитайте отново.

Стартиране на Xcode

Ако нищо не се случи, изтеглете Xcode и опитайте отново.

Стартиране на Visual Studio

Последен ангажимент

Git статистика

Файлове

Неуспешно зареждане на последната информация за фиксиране.

README.md

Open Neural Network Exchange (ONNX) е отворен стандартен формат за представяне на модели за машинно обучение. ONNX се поддържа от общност от партньори, които са го внедрили в много рамки и инструменти.

ONNX Model Zoo е колекция от предварително обучени, модерни модели във формат ONNX, предоставени от членове на общността като вас. Придружаващи всеки модел са тетрадки Jupyter за обучение на модели и извеждане на умозаключение с обучения модел. Бележниците са написани на Python и включват връзки към набора от данни за обучение, както и препратки към оригиналната статия, която описва архитектурата на модела.

Стандартизирахме Git LFS (Large File Storage) за съхраняване на файлове с модели ONNX. За да изтеглите модел ONNX, отворете съответната страница на Github и щракнете върху бутона Изтегляне горе вдясно.

Прочетете раздела Използване по-долу за повече подробности относно файловите формати в зоологическата градина на ONNX (.onnx, .pb, .npz), изтегляне на множество модели ONNX чрез командния ред на Git LFS и стартов Python код за валидиране на вашия ONNX модел с помощта на тестови данни.

Тази колекция от модели взема изображения като вход, след което класифицира основните обекти в изображенията в 1000 категории обекти като клавиатура, мишка, молив и много животни.

13 пъти ускорение над AlexNet на ARM-базирани мобилни устройства. В сравнение с MobileNet, ShuffleNet постига превъзходна производителност със значителен марж поради своята ефективна структура.
Топ-1 грешка от хартия -

Тази подгрупа от модели класифицира изображения за конкретни домейни и набори от данни.

Моделите за откриване на обекти откриват присъствието на множество обекти в изображение и сегментират области от изображението, където обектите са открити. Семантичните модели на сегментиране разделят входно изображение, като обозначават всеки пиксел в набор от предварително определени категории.

Моделите за разпознаване на лица идентифицират и/или разпознават човешки лица и емоции в дадени изображения. Моделите за анализ на тялото и жестовете идентифицират пола и възрастта в дадено изображение.

Моделите за манипулиране на изображения използват невронни мрежи за трансформиране на входни изображения в модифицирани изходни изображения. Някои популярни модели от тази категория включват трансфер на стил или подобряване на изображенията чрез увеличаване на разделителната способност.

Този клас модели използва аудио данни за обучение на модели, които могат да идентифицират глас, да генерират музика или дори да четат текст на глас.

Това подмножество на модели за обработка на естествен език, които отговарят на въпроси относно даден контекст.

Този клас модели за обработка на естествен език се научава как да превежда въведения текст на друг език.

Това подмножество на модели за обработка на естествен език научава представянията на езика от големи корпуси от текст.

Тази подгрупа на модели за обработка на естествен език използва входни изображения, за да отговори на въпроси относно тези изображения.

Референтно описание на класа на модела
Текст към изображение Генерален състезателен текст към синтез на изображение Ефективно преодолява напредъка в моделирането на текст и изображения, превеждайки визуални концепции от знаци до пиксели. Генерира правдоподобни изображения на птици и цветя от подробни текстови описания.
допринесе
Прогнозиране на времеви редове Моделиране на дългосрочни и краткосрочни временни модели с дълбоки невронни мрежи Моделът извлича краткосрочни локални модели на зависимост между променливи и открива дългосрочни модели за тенденции от времеви редове. Помага за прогнозиране на енергийната мощност на слънчевата централа, потреблението на електроенергия и ситуациите на задръстване.
допринесе
Препоръчващи системи DropoutNet: Адресиране на студения старт в препоръчващите системи Метод за съвместно филтриране, който прави прогнози за предпочитанията на индивида въз основа на информация за предпочитанията от други потребители.
допринесе
Филтриране съвместно Невронно съвместно филтриране Модел DNN, основан на взаимодействието между потребителя и елементите на елемента, използващ факторизация на матрицата.
допринесе
Автокодери Йерархичен невронен автоенкодер за параграфи и документи Автоматичен кодер на LSTM (дългосрочна памет) за запазване и реконструкция на параграфи с много изречения.
допринесе

Всеки беккенд на ONNX трябва да поддържа стартирането на моделите от кутията. След изтеглянето и извличането на tarball на всеки модел ще намерите:

  • Файл на protobuf model.onnx, който представлява сериализирания модел ONNX.
  • Тестови данни (под формата на сериализирани протобуфи TensorProto файлове или сериализирани архиви NumPy).

Употреба - Тествайте стартерния код за данни

Файловете с тестови данни могат да се използват за валидиране на модели ONNX от Model Zoo. Предоставили сме следните примери за интерфейс, за да започнете. Моля, заменете onnx_backend във вашия код с подходящата рамка по ваш избор, която осигурява поддръжка за включване на ONNX, и също така заменете backend.run_model с логиката за оценка на модела на рамката.

Има два различни формата за файловете с тестови данни:

  • Сериализиран протобуф TensorProtos (.pb), съхраняван в папки с конвенцията за именуване test_data_set_ * .

  • Сериализирани архиви на Numpy, съхранявани във файлове с конвенцията за именуване test_data _ *. Npz. Всеки файл съдържа един набор от тестови входове и изходи.

По подразбиране клонирането на това хранилище няма да изтегли никакви модели ONNX. Инсталирайте Git LFS с pip install git-lfs .

За да изтеглите конкретен модел: git lfs pull --include = "[път към модела] .onnx" --exclude = "

За да изтеглите всички модели: git lfs pull --include = "*" --exclude = "

Употреба - визуализация на модела

Искате ли да допринесете за модел? За да започнете, изберете който и да е модел, представен по-горе с връзката за участие в колоната Описание. Връзките сочат към страница, съдържаща насоки за извършване на принос.