DeepDetect kaj LiveDetect prilabori lokajn videoriveretojn kun profunda lernado

Deepdetect

DeepDetect estas libera programaro ellaborita de JoliBrain, kies misio estas igi la plej novajn novigojn alireblaj kaj uzeblaj en profunda lernado (profunda lernado) estas alireblaj kaj ankaŭ permesas la integriĝon de aplikoj.

Deepdetect konsistas el du senpagaj programoj: unu el ili estas servilo skribita en C ++ 11 kun REST-API, kiu permesas aliron al la subaj bibliotekoj Caffe, Caffe2, Tensorflow, Dlib, NCNN, ktp. La alia estas interreta platformo trejni, organizi kaj uzi viajn modelojn kiel malgrandajn kodajn fragmentojn.

Aŭtomata evento-detekto de signaloj tempaj serioj havas ampleksajn aplikojn. Tradiciaj detektaj metodojs detektas eventojn ĉefe per uzo de simileco kaj korelacio en la datumoj.

Tiuj metodoj povas esti malefikaj kaj produkti malaltan precizecon. En la lastaj jaroj, maŝinlernaj teknikoj revoluciigis multajn sciencajn kaj inĝenierajn domajnojn.

Precipe la agado de objektodetekto en 2-D-bildaj datumoj estis signife plibonigita pro profundaj neŭralaj retoj.

Pri la platformo DeepDetect

Deepdetect efektivigas subtenon por kontrolita kaj nekontrolita profunda lernado de bildoj, teksto kaj aliaj datumoj, kun fokuso sur simpleco kaj facileco de uzo, testado kaj konekto al ekzistantaj aplikoj.

Ĝi subtenas klasifikon, detekton de objektoj, segmentadon, regreson, aŭtomodajn kodilojn kaj multajn aliajn.

Inter ĝiaj ĉefaj karakterizaĵoj estas

  • Altnivela API por maŝina lernado kaj profunda lernado
  • subteno por Caffe, Tensorflow, XGBoost kaj T-SNE
  • Klasifiko, regreso, aŭtomarkodiloj, objektodetekto, segmentado.
  • Komunikada formato JSON
  • fora python-klienta biblioteko
  • Diligenta servilo kun subteno por nesinkronaj trejnaj vokoj.
  • Alta rendimento, profitu de plurkerna CPU kaj GPU
  • enkonstruita similecserĉo per neŭralaj enigaĵoj
  • Konektilo por trakti CSV-dosierojn kun antaŭprilaboraj kapabloj
  • Konektilo por trakti tekstdosierojn, frazojn kaj karakter-bazitajn modelojn.
  • Konektilo por trakti la SVM-dosierformaton por malabundaj datumoj
  • sen dependeco kaj sinkronigado de la datumbazo, ĉiuj informoj kaj parametroj de la modelo organizitaj kaj haveblaj de la dosiersistemo
  • Fleksebla ŝablona eliga formato por simpligi konekton al eksteraj programoj
  • Subteno por malabundaj kalkuloj kaj funkcioj sur GPU kaj CPU.

Pri LiveDetect

LiveDetect estas ilo desegnita por facile prilabori lokajn videoriveretojn kun profundaj lernaj modeloj. La kodo legas vivajn bildojn de fotilo kaj prilaboras ĉiun kadron per DeepDetect.

Realaj uzokazoj de klientoj DeepDetect kun LiveDetect:

  • Sekureco sur ejo kaj eja gvatado.
  • Aŭtomobila registrado de OCR en parkejoj.
  • Malkaŝo de difektoj en fabrikitaj precizaj partoj.

Kiel instali DeepDetect sur Raspberry pi?

DeepDetect povas esti instalita sur malsamaj platformoj (ambaŭ serviloj, komputiloj, tekkomputiloj kaj eĉ Raspberry Pi).

De la oficiala retejo de DeepDetect ni povas trovi instalinstrukciojn por ĉiu subtenata platformo.

En ĉi tiu kazo, Ni instalos DeepDetect sur nia Raspberry Pi, kun malantaŭa fino de NCNN kaj LiveDetect, ilo derivita de la ekosistemo DeepDetect por prilaborado de videosekvencoj. Ĉi tio permesas al ni detekti objektojn en reala tempo kaj bildigi ilin.

Antaŭ-trejnitaj modeloj de Profunda Lernado disponeblas por labortablaj kaj enigitaj sistemoj kiel Raspberry Pi.

Por instali la servilon DeepDetect sur la Raspberry Pi, Ni uzos Docker por simpleco kaj bona agado.

Rilata artikolo:
Kiel instali Docker sur Raspberry pi kun Raspbian?

La unua afero, kiun ni faros, estas kreu dosierujon por DeepDetect Docker Container, ni faras tion malfermante terminalon kaj ekzekutante en ĝi:

mkdir $HOME/models
docker pull jolibrain/deepdetect_ncnn_pi3
docker run -d -p 8080:8080 -v $HOME/models:/opt/models jolibrain/deepdetect_ncnn_pi3
sudo apt-get install libjpeg-dev

Nun ni elŝutos LiveDetect kaj instalos:
wget https://github.com/jolibrain/livedetect/releases/download/1.0.1/livedetect-rpi3
./livedetect-rpi3 \
--port 8080 \
--host 127.0.0.1 \
--mllib ncnn \
--width 300 --height 300 \
--detection \
--create --repository /opt/models/voc/ \
--init "https://www.deepdetect.com/models/init/ncnn/squeezenet_ssd_voc_ncnn_300x300.tar.gz" \
--confidence 0.3 \
-v INFO \
-P "0.0.0.0:8888" \
--service voc \
--nclasses 21

Redonado haveblas ĉe http: // localhost: 8888 inter du kaj tri kadroj de video po sekundo (FPS).

Se vi volas efektivigi LiveDetect en via labortabla komputilo, vi povas trovi la komandojn kaj ankaŭ pli da informoj kaj specimenoj kun LiveDetect havebla ĉe GitHub.

La ligo estas ĉi tio.


La enhavo de la artikolo aliĝas al niaj principoj de redakcia etiko. Por raporti eraron alklaku Ĉi tie.

Estu la unua por komenti

Lasu vian komenton

Via retpoŝta adreso ne estos eldonita.

*

*

  1. Respondeculo pri la datumoj: Miguel Ángel Gatón
  2. Celo de la datumoj: Kontrola SPAM, administrado de komentoj.
  3. Legitimado: Via konsento
  4. Komunikado de la datumoj: La datumoj ne estos komunikitaj al triaj krom per laŭleĝa devo.
  5. Stokado de datumoj: Datumbazo gastigita de Occentus Networks (EU)
  6. Rajtoj: Iam ajn vi povas limigi, retrovi kaj forigi viajn informojn.

bool (vera)