DeepDetect on ilmainen ohjelmisto kehittänyt JoliBrain, jonka tehtävänä on tehdä uusimmista innovaatioista helposti saatavissa ja käyttökelpoisia syvässä oppimisessa (syvällinen oppiminen) ovat saatavilla ja mahdollistavat sovellusten integroinnin.
Deepdetect koostuu kahdesta ilmaisesta ohjelmasta: yksi heistä on palvelimelle, joka on kirjoitettu C ++ 11: ssä REST-sovellusliittymällä, joka sallii pääsyn taustalla oleviin Caffe, Caffe2, Tensorflow, Dlib, NCNN jne. kirjastoihin. Toinen on web-alusta kouluttaa, järjestää ja käyttää mallejasi pieninä koodinpätkinä.
Automaattinen tapahtumien tunnistus signaaleista aikasarjoilla on laaja sovellus. Perinteiset havaitsemismenetelmäts havaitsevat tapahtumia ensisijaisesti tietojen samankaltaisuuden ja korrelaation avulla.
Nuo menetelmät voivat olla tehottomia ja tuottaa heikkoa tarkkuutta. Viime vuosina koneoppimistekniikat ovat mullistaneet monia tieteen ja tekniikan aloja.
Erityisesti kohteiden havaitsemisen suorituskyky 2-D-kuvatiedoissa on parantunut merkittävästi syvien hermoverkkojen ansiosta.
Tietoja DeepDetect-alustasta
Deepdetect toteuttaa tukea valvotulle ja valvomattomalle kuvien, tekstin ja muun tiedon syvälle oppimiselle, keskittyen yksinkertaisuuteen ja helppokäyttöisyyteen, testaamiseen ja yhdistämiseen olemassa oleviin sovelluksiin.
Se tukee luokittelua, kohteiden havaitsemista, segmentointia, regressiota, autoenkoodereita ja monia muita.
Sen pääominaisuuksia ovat
- Korkean tason API koneoppimiseen ja syvään oppimiseen
- tuki Caffe, Tensorflow, XGBoost ja T-SNE
- Luokittelu, regressio, autoenkooderit, kohteiden tunnistus, segmentointi.
- JSON-viestintämuoto
- etäinen python-asiakaskirjasto
- Oma palvelin, joka tukee asynkronisia harjoituspuheluja.
- Korkea suorituskyky, hyöty moniydinsuorittimesta ja näytönohjaimesta
- sisäänrakennettu samankaltaisuushaku hermosyöttöjen kautta
- Liitin CSV-tiedostojen käsittelemiseen esikäsittelyominaisuuksilla
- Liitin tekstitiedostojen, lauseiden ja merkkipohjaisten mallien käsittelemiseksi.
- Liitin SVM-tiedostomuodon käsittelemiseksi harvaan dataan
- ilman riippuvuutta ja tietokannan synkronointia kaikki mallin tiedot ja parametrit on järjestetty ja saatavilla tiedostojärjestelmästä
- Joustava mallipohjan muoto helpottaa yhteyttä ulkoisiin sovelluksiin
- Tuki harvoille laskelmille ja toiminnoille sekä GPU: lla että suorittimella.
Tietoja LiveDetectistä
LiveDetect on työkalu, joka on suunniteltu käsittelemään paikalliset videovirrat helposti syvällisten oppimismallien avulla. Koodi lukee reaaliaikaiset kuvat kamerasta ja käsittelee jokaisen kehyksen DeepDetectin avulla.
LiveDetect-sovelluksen tosiasialliset DeepDetect-asiakkaiden käyttötapaukset:
- Työmaan turvallisuus ja paikan valvonta.
- OCR-auton rekisteröinti pysäköintialueille.
- Valmistettujen tarkkuusosien vikojen havaitseminen.
Kuinka DeepDetect asennetaan Raspberry pi: lle?
DeepDetect voidaan asentaa eri alustoille (molemmat palvelimet, tietokoneet, kannettavat tietokoneet ja jopa Raspberry Pi).
DeepDetectin virallisilta verkkosivuilta voimme löytää asennusohjeet jokaiselle tuetulle alustalle.
Tässä tapauksessa Asennamme DeepDetectin Raspberry Pi -malliin NCNN-taustapuolella ja LiveDetectillä, DeepDetect-ekosysteemistä johdettu työkalu videosekvenssien käsittelyyn. Tämän avulla voimme havaita esineitä reaaliajassa ja visualisoida ne.
Valmiiksi koulutettuja Deep Learning -malleja on saatavana työpöydälle ja sulautetuille järjestelmille, kuten Raspberry Pi.
Voit asentaa DeepDetect-palvelimen Raspberry Pi -palveluun seuraavasti: Käytämme Dockeria yksinkertaisuuden ja hyvän suorituskyvyn saavuttamiseksi.
Ensimmäinen asia, jonka aiomme tehdä, on luoda kansio DeepDetect Docker Containerille, teemme tämän avaamalla pääte ja suorittamalla siinä:
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
Nyt aiomme ladata LiveDetectin ja asentaa:
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
Renderointi on saatavana osoitteessa http: // localhost: 8888 kahden ja kolmen videokehyksen sekunnissa (FPS) välillä.
Jos haluat ottaa LiveDetectin käyttöön pöytätietokoneellasi, löydät komennot sekä lisätietoja ja näytteitä LiveDetectin avulla GitHubista.
Linkki on tämä.