深度学习模型快速开发平台推荐

lining808

已于 2024-07-18 09:41:36 修改

阅读量5.6k

点赞数 7

分类专栏： AI 文章标签：深度学习人工智能

于 2024-07-16 08:46:56 首次发布

本文链接：https://blog.csdn.net/qq_35789981/article/details/140455587

版权

AI 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

前言

本文面向深度学习初学者或者工程师，推荐几个常用的深度学习模型快速开发平台。可以帮助初学者快速跑通模型，帮助工程师快速对模型进行部署和应用。

huggingface

简介

不多介绍，全球最大的模型托管平台，该平台最大的特点是：

模型多，截止发文共有模型76万+；
易应用，通过模型卡片页的简介，简单几十行代码就能进行模型的推理；
要翻墙，国内目前被墙了，不能直接下载其模型。这里提供一个国内镜像网站：链接。

使用流程

1.配置相应环境，huggingface的模型需要安装transformers库，这个库基于深度学习，因此需要安装相应的深度学习环境，比如pytorch、tensorflow等。

pip3 install transformers

2.搜索相应的模型，并下载模型文件（自动下载，由于被墙代码自动下载失效，可以通过镜像网站下载好模型文件，放在相应位置，windows位置在：C:\Users\username.cache\huggingface\hub下，Linux在当前用户文件夹下：/home/username/.cache/huggingface/hub，也可以通过自动以文件夹存放，模型读取时改为自定义文件夹）。
在这里插入图片描述

3.在模型卡片页找到相应的推理代码，进行推理。
在这里插入图片描述

modelscope

简介

和huggingface类似，modelscope是国内最大的模型托管平台。
平台地址

使用流程

1.配置相应环境。

pip3 install modelscope

2.搜索相应的模型，并下载模型文件（自动下载）。
在这里插入图片描述

3.在模型卡片页找到相应的推理代码，进行推理。
在这里插入图片描述

OpenMMLab

简介

OpenMMLab累计开源超过30个算法库、2400个预训练模型，涵盖图像识别分类、目标检测、图像分割、姿态估计、视频理解、OCR、3D目标检测、3D人体姿态估计、模型轻量化、自监督、少样本、光流、预训练、多模态、AIGC、推理部署等等计算机视觉任务，在Github上累计获得十万颗star，超过了Pytorch。
平台地址
在这里插入图片描述

使用流程

1.配置相应环境。

pip3 install mmcv mmdetection

2.进入github站到相应的库，比如：mmdetection、MMClassification、MMDetection3D、MMRotate、MMSegmentation、MMOCR、MMPose、MMHuman3D、MMAction2、MMTracking、MMEditing、MMGeneration等。
在这里插入图片描述

3.从文档中找到快速开始，按照教程部署模型。
在这里插入图片描述

Paddle

简介

Paddle是百度提出的一个深度学习框架，内置很多通用模型。不过根据本人使用体验来看，版本控制比较混乱。
官方链接

使用流程

1.配置相应环境。

pip3 install paddle-gpu paddleocr

2.进入github站到相应的库，比如：PaddleOCR、PaddleNLP、PaddleDetection、PaddleSpeech、PaddleSeg、PaddleGAN、PaddleClas、PaddleRec等。
在这里插入图片描述
3.从文档中找到快速开始，按照教程部署模型。

Torch

简介

Pytorch是现如今最受欢迎的深度学习框架之一。
官方链接

使用流程

1.配置相应环境。

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu118

2.使用内置模型进行训练或推理了，以下是一个推理的实例。

import time
import torch
from PIL import Image
from torchvision import transforms
from torchvision import models


device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
print(f'Using {device} for inference')

resnet50 = models.resnet50(pretrained=True)
resnet50.eval().to(device)

img_rgb = Image.open('./bus.jpg').convert('RGB')
norm_mean = [0.485, 0.456, 0.406]    # 均值
norm_std = [0.229, 0.224, 0.225]     # 方差
inference_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(norm_mean, norm_std),  # 转换到-1 - 1
])

img_tensor = inference_transform(img_rgb)
img_tensor.unsqueeze_(0)    # 1x3x800x800
img_tensor = img_tensor.to(device)   # use cuda

with torch.no_grad():
    output = torch.nn.functional.softmax(resnet50(img_tensor), dim=1)

ultralytics

简介

Ultralytics 是一个视觉库，能够实现目标检测和跟踪、实例分割、图像分类和姿态估计任务。
官方链接

使用流程

1.配置相应环境。

pip3 install ultralytics

2.使用内置模型进行训练或推理了，以下是一个推理的实例。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image