Хотите узнать, как использовать Windows ML API для создания эффективных возможностей машинного обучения в Windows? Галерея примеров машинного обучения Windows точно вам поможет. Галерея - это пакетное настольное приложение для Windows 11, созданное с использованием Windows App SDK (части галереи обратно совместимы с Windows 8.1). Первоначальный выпуск содержит 5 интерактивных примеров, демонстрирующих работу Windows ML через управляемые и собственные сценарии (скоро появятся новые примеры!). Каждый пример имеет соответствующий код.

Image Classification (GitHub)

Ссылка

Выберите изображение и отобразите наиболее вероятные прогнозы классов из 1000 возможных категорий в примере классификации изображений. Узнайте, как:

  • Интегрировать модели из ONNX Model Zoo с Windows ML;

  • Выполните пред-/постобработку:

    • Каждая модель имеет свои собственные шаги для предварительной и последующей обработки данных (например, нормализация, изменение размера, преобразование NCHW и т.д.);

    • В этом примере показано, как каждую модель можно вызвать в Windows ML, выполнив необходимую предварительную обработку без привязки к аппаратной платформе, используя при этом преимущества оптимизации VideoFrame, если она доступна.

Image Effects (GitHub)

Ссылка

Выберите изображение и примените различные эффекты на базе Windows ML, такие как размытие, резкость и контрастность в примере эффектов изображения. Узнайте, как:

  • Создавать динамические модели на лету с помощью экспериментального API LearningModelBuild:

    • Некоторые модели в model zoo ожидают данные в определенном формате, и эти примеры показывают, как использовать операторы в Windows ML для преобразования данных изображений в совместимый формат;

    • Эти динамические модели построены с известными весами и параметрами для выполнения общих операций, которые не требуют обучения модели, как модели классификации.

Batched Inputs (GitHub)

Ссылка

Вывод нескольких входных данных одновременно для повышения производительности выполнения в примере пакетной обработки. Узнайте, как:

  • Получить лучшую производительность на GPU с большими Batched Inputs.

Многие модели в ONNX model zoo не имеют свободного измерения для группового вывода, поэтому вы можете редактировать модели с помощью WinMLDashboard.

OpenCV & ImageSharp Interop

Используйте Windows ML для классификации изображений, которые были отредактированы изначально с использованием OpenCV и ImageSharp в примерах OpenCV and ImageSharp Intertop. Узнайте, как:

  • Использовать Interop с другими популярными фреймворками.

Посмотрите примеры OpenCV и ImageSharp Interop на GitHub.

Хотите увидеть пример взаимодействия с вашим любимым фреймворком? Отправьте запрос на странице проблем GitHub.

Попробуйте и оставайтесь вовлечены

Галерею примеров Windows ML можно загрузить из Microsoft Store или GitHub. Мы рекомендуем вам попробовать её и оставить отзыв, сообщив о проблемах или запросив новые примеры на странице проблем.

Следите за обновлениями и новостями в блоге Windows AI!

Комментарии (0)