Partager via


Exemples Windows Machine Learning

Le référentiel Windows-Machine-Learning sur GitHub contient des exemples d’applications qui montrent comment utiliser Windows Machine Learning, ainsi que des outils qui permettent de vérifier les modèles et de résoudre les problèmes lors du développement.

Échantillons

Les exemples d’applications suivants sont disponibles sur GitHub.

Nom Descriptif
AdapterSelection (Win32 C++) Application de bureau qui montre comment choisir un adaptateur d’appareil spécifique pour l’exécution de votre modèle.
BatchSupport (en anglais) Montre comment lier et évaluer des lots d’entrées avec Windows ML.
Exemple d’opérateur personnalisé (Win32 C++) Application de bureau qui définit plusieurs opérateurs CPU personnalisés. L’un d’eux est un opérateur de débogage que vous pouvez intégrer à votre propre workflow.
Tensorisation personnalisée (Win32 C++) Montre comment tensoriser une image d’entrée à l’aide des API Windows ML sur l’UC et le GPU.
Vision personnalisée (UWP C#) Montre comment entraîner un modèle ONNX dans le cloud à l’aide de Custom Vision et l’intégrer à une application avec Windows ML.
Emoji8 (UWP C#) Montre comment utiliser Windows ML pour alimenter une application amusante de détection des émotions.
Transfert de style FNS (UWP C#) Utilise le modèle de transfert de style FNS-Candy pour re-styler des images ou des flux vidéo.
MNIST (UWP C#/C++) Correspond au tutoriel : Créer une application UWP Windows Machine Learning (C#). Commencez à partir d’une base et parcourez le didacticiel ou exécutez le projet terminé.
NamedDimensionOverrides Montre comment remplacer les dimensions nommées par des valeurs concrètes afin d’optimiser les performances du modèle.
PlaneIdentifier (UWP C#, WPF C#) Utilise un modèle Machine Learning préentraîné, généré à l’aide du service Custom Vision sur Azure, pour détecter si l’image donnée contient un objet spécifique : un plan.
Filet RustSqueezeNet Projection Rust de WinRT à l’aide de SqueezeNet.
SqueezeNet Object Detection (Win32 C++, UWP C#/JavaScript, . NET5, . NETCORE) Utilise SqueezeNet, un modèle Machine Learning préentraîné, pour détecter l’objet prédominant dans une image sélectionnée par l’utilisateur à partir d’un fichier.
SqueezeNet Object Detection (Azure IoT Edge sur Windows, C#) Il s’agit d’un exemple de module montrant comment exécuter l’inférence Windows ML dans un module Azure IoT Edge s’exécutant sur Windows. Les images sont fournies par une caméra connectée, inférencées à l'aide du modèle SqueezeNet, et envoyées à IoT Hub.
StreamFromResource Montre comment prendre une ressource incorporée qui contient un modèle ONNX et la convertir en flux qui peut être transmis au constructeur LearningModel.
Transfert de style (C#) Application UWP qui effectue un transfert de style sur des images d’entrée fournies par l’utilisateur ou des flux de caméra web.
winml_tracker (ROS C++) Nœud ROS (Système d’exploitation robot) qui utilise Windows ML pour suivre les personnes (ou d’autres objets) dans les images de caméra.

Remarque

Utilisez les ressources suivantes pour obtenir de l’aide sur Windows ML :

  • Pour poser ou répondre à des questions techniques sur Windows ML, utilisez la balise Windows-Machine Learning sur Stack Overflow.
  • Pour signaler un bogue, veuillez signaler un problème dans notre plateforme GitHub.