Awesome GitHub RepositoriesCross-Framework Model Conversion

yolotf هو إطار عمل لاكتشاف الكائنات يوفر أدوات لتحويل إعدادات وأوزان نماذج Darknet إلى رسوم بيانية في TensorFlow. يتضمن مدرب نماذج TensorFlow لتدريب نماذج اكتشاف جديدة أو ضبط الأوزان الموجودة بدقة باستخدام مجموعات بيانات مخصصة. يتميز المشروع بمصدر نماذج للأجهزة المحمولة يقوم بتسلسل تعريفات الرسوم البيانية والبيانات الوصفية في ملفات protobuf للنشر على الأجهزة المحمولة. يدعم إطار العمل استدلال اكتشاف الكائنات على الصور والفيديو لتحديد الكائنات وتصدير إحداثيات مربعات الإحاطة. يدير حالة النموذج من خلال ترجمة تعيين الأوزان والتدريب القائم على نقاط الفحص للسماح باستعادة الأوزان وحالات المحسن.

MMdnn هو محول ونظام ترحيل لنماذج التعلم العميق، مصمم لنقل معماريات الشبكات العصبية وأوزانها بين أطر عمل مختلفة مثل TensorFlow وPyTorch وKeras. يستخدم MMdnn تمثيلاً وسيطاً موحداً لفصل هياكل الشبكة وأوزانها عن تطبيقات أطر العمل المحددة، مما يتيح تحويل النماذج المدربة مسبقاً عبر بيئات مختلفة. يتميز المشروع بقدرته على توليد كود Python أصلي لإعادة بناء النماذج من تمثيلاتها الوسيطة، مما يسمح بإعادة بناء النماذج وضبطها بدقة في البيئات المستهدفة. كما يتضمن أدوات متخصصة لنشر النماذج على الأجهزة المحمولة، حيث يحول نماذج التعلم العميق إلى صيغ متوافقة مع الهواتف مثل CoreML وTensorFlow Lite. يوفر النظام مجموعة واسعة من القدرات تشمل تصور معمارية الشبكات العصبية لفحص هياكل الرسوم والبيانات الوصفية، بالإضافة إلى تنفيذ استدلال النماذج للتحقق من أن النماذج المحولة تحافظ على سلوكها ودقتها الأصلية. كما تعالج الأدوات المساعدة استرجاع الأوزان المدربة مسبقاً من المستودعات البعيدة وتجميع نقاط فحص النماذج القابلة للنشر.

هذا المشروع عبارة عن مورد تعليمي شامل ودورة تدريبية لبناء الشبكات العصبية باستخدام PyTorch. يغطي اللبنات الأساسية للتعلم العميق، بما في ذلك معالجة الموترات (tensors)، والتمايز التلقائي، وبناء مكونات الشبكة العصبية المعيارية. يعمل المستودع كدليل تقني للعديد من المجالات المتخصصة. يوفر تفاصيل تنفيذ لمهام رؤية الكمبيوتر مثل تصنيف الصور، واكتشاف الكائنات، والتجزئة الدلالية، بالإضافة إلى سير عمل معالجة اللغات الطبيعية التي تتضمن المحولات (transformers)، والشبكات المتكررة، والنماذج التوليدية. بالإضافة إلى ذلك، يتضمن مرجعاً للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على تركيب الصور عبر نماذج الانتشار (diffusion models) والشبكات التنافسية. تمتد المادة إلى تحسين النماذج وخطوط أنابيب النشر. تغطي تقنيات لتقليل حجم النموذج وزيادة سرعة الاستنتاج من خلال التكميم (quantization) وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. تشمل مجالات القدرة الأخرى هندسة البيانات للتحميل المتوازي، وتقييم النموذج باستخدام مقاييس مخصصة، ونشر نماذج اللغات الكبيرة مفتوحة المصدر. يتم تقديم المشروع بشكل أساسي كسلسلة من دفاتر Jupyter.

هذا المشروع هو إطار عمل تعلم تبايني ذاتي الإشراف مصمم لتدريب نماذج التعلم العميق لتعلم تمثيلات مرئية من الصور دون استخدام تسميات مقدمة من البشر. يوفر نظاماً لتطوير نماذج تمثيل مرئي مدربة مسبقاً يمكن تكييفها لمهام رؤية الكمبيوتر اللاحقة. يتضمن إطار العمل أدوات لتصنيف الصور شبه الخاضع للإشراف، والذي يجمع بين مجموعات بيانات كبيرة غير مصنفة ومجموعات صغيرة مصنفة لتحسين الدقة. كما يتميز بأداة تقييم مسبار خطي لتقييم جودة ميزات الصورة المتعلمة عن طريق تدريب مصنف خطي بسيط فوق التمثيلات المجمدة. يغطي الكود البرمجي تدريب التعلم العميق الموزع وتسريع الأجهزة للتعامل مع أحجام دفعات كبيرة، إلى جانب بدائيات التحسين مثل جدولة معدل التعلم cosine-decay وتنظيم weight-decay. كما يوفر أدوات لإدارة النماذج، بما في ذلك تحويل نقاط التحقق المدربة مسبقاً بين تنسيقات إطار عمل التعلم العميق المختلفة وأدوات لنشر النماذج. يتم توفير التنفيذ كمجموعة من دفاتر Jupyter.