Exemples Windows Machine Learning

Le dépôt Windows-Machine-Learning sur GitHub contient des exemples d’applications qui illustrent comment utiliser Windows Machine Learning, ainsi que des outils qui aident à vérifier les modèles et à résoudre les problèmes lors du développement.

Exemples

Les exemples d’applications suivants sont disponibles sur GitHub.

Nom Description
AdapterSelection (Win32 C++) Application de bureau qui illustre comment choisir un adaptateur pour appareil mobile spécifique pour l’exécution de votre modèle.
BatchSupport Montre comment lier et évaluer des lots d’entrées avec Windows ML.
Custom Operator Sample (Win32 C++) Application de bureau qui définit plusieurs opérateurs de processeur personnalisés. L’un d’eux est un opérateur de débogage que vous pouvez intégrer dans votre propre workflow.
Custom Tensorization (Win32 C++) Montre comment tenseuriser une image d’entrée à l’aide des API Windows ML sur le processeur et le GPU.
Custom Vision (UWP C#) Montre comment entraîner un modèle ONNX dans le cloud à l’aide de Custom Vision, et comment l’intégrer dans une application avec Windows ML.
Emoji8 (UWP C#) Montre comment utiliser Windows ML pour alimenter une application de détection d’émotions amusante.
FNS Style Transfer (UWP C#) Utilise le modèle de transfert de style FNS-Candy pour restyler des images ou des flux vidéo.
MNIST (UWP C#/C++) Correspond au Tutoriel : créer une application Windows Machine Learning UWP (C#). Démarrez sur une base existante et parcourez le tutoriel, ou exécutez le projet complet.
NamedDimensionOverrides Montre comment substituer des dimensions nommées à des valeurs concrètes afin d’optimiser les performances du modèle.
PlaneIdentifier (UWP C#, WPF C#) Utilise un modèle Machine Learning préentraîné, généré avec le service Custom Vision sur Azure, pour détecter si l’image donnée contient un objet spécifique (un avion).
RustSqueezeNet Projection Rust de WinRT à l’aide de SqueezeNet.
SqueezeNet Object Detection (Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE) Utilise SqueezeNet, un modèle de Machine Learning pré-entraîné, pour détecter l’objet prédominant dans une image sélectionnée par l’utilisateur à partir d’un fichier.
SqueezeNet Object Detection (Azure IoT Edge on Windows, C#) Il s’agit d’un exemple de module qui montre comment exécuter l’inférence Windows ML dans un module Azure IoT Edge s’exécutant sur Windows. Les images sont fournies par un appareil photo connecté, inférencées par rapport au modèle SqueezeNet et envoyées à IoT Hub.
StreamFromResource Montre comment prendre une ressource incorporée qui contient un modèle ONNX et la convertir en un flux qui peut être passé au constructeur LearningModel.
StyleTransfer (C#) Application UWP qui effectue le transfert de style sur les images d’entrée fournies par l’utilisateur ou les flux de caméra Web.
winml_tracker (ROS C++) Nœud ROS (Robot Operating System) qui utilise Windows ML pour effectuer le suivi des personnes (ou d’autres objets) dans des cadres de caméra.

Remarque

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

  • Pour poser des questions techniques ou apporter des réponses à des questions techniques sur Windows ML, veuillez utiliser le mot clé windows-machine-learning sur Stack Overflow.
  • Pour signaler un bogue, veuillez signaler un problème dans notre plateforme GitHub.