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
![](https://habrastorage.org/getpro/habr/upload_files/fa5/eb4/49c/fa5eb449c5dc771b5899d044b24822ae.jpeg)
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
![](https://habrastorage.org/getpro/habr/upload_files/dfd/4d4/83e/dfd4d483e9c8653875ad38203644ac49.jpeg)
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
![](https://habrastorage.org/getpro/habr/upload_files/16e/665/abe/16e665abe344bec7a717a120c8dd48f7.jpeg)
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
![](https://habrastorage.org/getpro/habr/upload_files/ff4/036/d4b/ff4036d4b4350ac20993fc820b5bd4c7.jpeg)
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!