Windows Machine Learning-Beispiele

Das Windows-Machine-Learning-Repository auf GitHub enthält Beispielanwendungen, die die Verwendung von Windows Machine Learning veranschaulichen, sowie Tools, mit denen Sie Modelle überprüfen und Probleme während der Entwicklung beheben können.

Beispiele

Die folgenden Beispielanwendungen sind auf GitHub verfügbar.

Name	Beschreibung
AdapterSelection (Win32 C++)	Eine Desktopanwendung, die veranschaulicht, wie ein bestimmter Geräteadapter zum Ausführen des Modells ausgewählt wird.
BatchSupport	Zeigt, wie Eingabebatches mit Windows ML gebunden und ausgewertet werden.
Beispiel für einen benutzerdefinierten Operator (Win32 C++)	Eine Desktopanwendung, die mehrere benutzerdefinierte CPU-Operatoren definiert. Einer dieser Operatoren ist ein Debugoperator, den Sie in Ihren eigenen Workflow integrieren können.
Benutzerdefinierte Tensorisierung (Win32 C++)	Zeigt, wie Sie ein Eingabebild mit den Windows ML-APIs für CPU und GPU tensorisieren.
Benutzerdefiniertes maschinelles Sehen (UWP C#)	Veranschaulicht das Trainieren eines ONNX-Modells in der Cloud mithilfe von Custom Vision und die Integration in eine Anwendung mit Windows ML.
Emoji8 (UWP C#)	Zeigt, wie Sie Windows ML verwenden können, um eine unterhaltsame Anwendung zum Erkennen von Emotionen zu erstellen.
FNS-Stilübertragung (UWP C#)	Verwendet das FNS-Candy-Stilübertragungsmodell zum Umformatieren von Bildern oder Videostreams.
MNIST (UWP C#/C++)	Entspricht dem Tutorial: Erstellen einer UWP-Anwendung für Windows Machine Learning (C#). Starten Sie mit einem Gerüst, und arbeiten Sie das Tutorial durch, oder führen Sie das vollständige Projekt aus.
NamedDimensionOverrides	Veranschaulicht, wie benannte Dimensionen in konkrete Werte überschrieben werden, um die Modellleistung zu optimieren.
PlaneIdentifier (UWP C#, WPF C#)	Verwendet ein vorab trainiertes Machine Learning-Modell, das mithilfe von Custom Vision Service in Azure generiert wurde, um zu ermitteln, ob das jeweilige Bild ein bestimmtes Objekt enthält: ein Flugzeug.
RustSqueezeNet	Rust-Projektion von WinRT mithilfe von SqueezeNet.
SqueezeNet-Objekterkennung (Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE)	Verwendet SqueezeNet, ein vorab trainiertes Machine Learning-Modell, um das vorherrschende Objekt in einem vom Benutzer ausgewählten Bild aus einer Datei zu erkennen.
SqueezeNet-Objekterkennung (Azure IoT Edge unter Windows, C#)	Dies ist ein Beispielmodul, das zeigt, wie Windows ML-Rückschlüsse in einem Azure IOT Edge-Modul ausgeführt werden, das unter Windows ausgeführt wird. Bilder werden von einer verbundenen Kamera bereitgestellt, aus denen mit dem SqueezeNet-Modell Rückschlüsse gezogen und an IoT Hub gesendet werden.
StreamFromResource	Zeigt, wie eine eingebettete Ressource, die ein ONNX-Modell enthält, in einen Stream konvertiert wird, der an den LearningModel-Konstruktor übergeben werden kann.
StyleTransfer (C#)	Eine UWP-App, die eine Stilübertragung für vom Benutzer bereitgestellte Eingabebilder oder Webkamerastreams ausführt.
winml_tracker (ROS C++)	Ein ROS-Knoten (Robot Operating System, Roboterbetriebssystem), der mithilfe von Windows ML Personen (oder andere Objekte) in Kameraframes nachverfolgt.

Hinweis

Verwende die folgenden Ressourcen, wenn du Hilfe mit Windows ML benötigst:

• Wenn du technische Fragen zu Windows ML stellen oder beantworten möchtest, verwende das Tag windows-machine-learning auf Stack Overflow.
• Wenn du einen Fehler melden möchtest, erstelle eine Anfrage auf GitHub.