Ejemplos de Windows Machine Learning

El repositorio windows-Machine-Learning en GitHub contiene aplicaciones de ejemplo que muestran cómo usar Windows Machine Learning, así como herramientas que ayudan a comprobar modelos y solucionar problemas durante el desarrollo.

Muestras

Las siguientes aplicaciones de ejemplo están disponibles en GitHub.

Nombre	Descripción
AdapterSelection (Win32 C++)	Una aplicación de escritorio que muestra cómo elegir un adaptador de dispositivo específico para ejecutar el modelo.
Soporte por lotes	Muestra cómo enlazar y evaluar lotes de entradas con Windows ML.
Ejemplo de operador personalizado (Win32 C++)	Una aplicación de escritorio que define varios operadores de CPU personalizados. Uno de ellos es un operador de depuración que se puede integrar en tu flujo de trabajo.
Tensorización personalizada (Win32 C++)	Muestra cómo tensorizar una imagen de entrada mediante las API de Windows ML en la CPU y la GPU.
Custom Vision (UWP C#)	Muestra cómo entrenar un modelo ONNX en la nube mediante Custom Vision e integrarlo en una aplicación con Windows ML.
Emoji8 (UWP C#)	Muestra cómo puedes usar Windows ML para impulsar una aplicación divertida de detección de emociones.
Transferencia de estilo FNS (UWP C#)	Usa el modelo de transferencia de estilo FNS-Candy para volver a aplicar estilo a imágenes o secuencias de vídeo.
MNIST (UWP C#/C++)	Corresponde a Tutorial: Crear una aplicación para UWP de Windows Machine Learning (C#). Comience desde una base y trabaje con el tutorial o ejecute el proyecto completado.
NamedDimensionOverrides	Muestra cómo modificar las dimensiones nombradas en valores concretos para optimizar el rendimiento del modelo.
PlaneIdentifier (UWP C#, WPF C#)	Usa un modelo de aprendizaje automático entrenado previamente, generado mediante custom Vision Service en Azure, para detectar si la imagen especificada contiene un objeto específico: un plano.
RustSqueezeNet	Proyección de WinRT en Rust mediante SqueezeNet.
Detección de objetos SqueezeNet (Win32 C++, UWP C#/JavaScript, . NET5, . NETCORE)	Usa SqueezeNet, un modelo de aprendizaje automático entrenado previamente, para detectar el objeto predominante en una imagen seleccionada por el usuario de un archivo.
Detección de objetos SqueezeNet (Azure IoT Edge en Windows, C#)	Este es un módulo de ejemplo que muestra cómo ejecutar la inferencia de Windows ML en un módulo de Azure IoT Edge que se ejecuta en Windows. Las imágenes se proporcionan mediante una cámara conectada, se inferencian con el modelo de SqueezeNet y se envían a IoT Hub.
StreamFromResource	Muestra cómo tomar un recurso incrustado que contiene un modelo ONNX y convertirlo en una secuencia que se puede pasar al constructor LearningModel.
StyleTransfer (C#)	Una aplicación para UWP que realiza la transferencia de estilo en imágenes de entrada proporcionadas por el usuario o secuencias de cámara web.
winml_tracker (ROS C++)	Un nodo ROS (sistema operativo robot) que usa Windows ML para realizar un seguimiento de personas (u otros objetos) en fotogramas de cámara.

Nota:

Use los siguientes recursos para obtener ayuda con Windows ML:

• Para formular o responder a preguntas técnicas sobre Windows Machine Learning, utilice la etiqueta windows-machine-learning en Stack Overflow.
• Para notificar un error, registre un problema en GitHub.