Windows Machine Learning 샘플
Windows-Machine-Learning repository on GitHub에는 Windows Machine Learning 사용 방법을 보여주는 샘플 애플리케이션은 물론 개발 중에 모델을 확인하고 문제를 해결하는 데 유용한 도구가 포함되어 있습니다.
샘플
GitHub에서 사용할 수 있는 샘플 애플리케이션은 다음과 같습니다.
| 이름 | 설명 |
|---|---|
| AdapterSelection(Win32 C++) | 모델을 실행하기 위한 특정 디바이스 어댑터를 선택하는 방법을 보여주는 데스크톱 애플리케이션입니다. |
| BatchSupport | Windows ML을 사용하여 입력 일괄 처리를 바인딩하고 평가하는 방법을 보여 줍니다. |
| Custom Operator Sample(Win32 C++) | 다수의 사용자 지정 CPU 연산자를 정의하는 데스크톱 애플리케이션입니다. 이 중 하나는 사용자의 워크플로에 통합할 수 있는 디버그 연산자입니다. |
| Custom Tensorization(Win32 C++) | CPU와 GPU 모두에서 Windows ML API를 사용하여 입력 이미지를 텐서화하는 방법을 보여 줍니다. |
| Custom Vision(UWP C#) | Custom Vision을 사용하여 클라우드에서 ONNX 모델을 학습시키고 Windows ML을 사용하여 애플리케이션에 통합하는 방법을 보여 줍니다. |
| Emoji8(UWP C#) | Windows ML을 사용하여 재미있는 감정 감지 애플리케이션을 강화하는 방법을 보여 줍니다. |
| FNS Style Transfer(UWP C#) | FNS-Candy Style Transfer 모델을 사용하여 이미지나 비디오 스트림의 스타일을 재조정합니다. |
| MNIST(UWP C#/C++) | 자습서: Windows Machine Learning UWP 애플리케이션 만들기(C#)에 해당합니다. 기초부터 시작하여 자습서를 끝까지 완료하거나 완료된 프로젝트를 실행할 수 있습니다. |
| NamedDimensionOverrides | 모델 성능을 최적화하기 위해 명명된 차원을 구체적인 값으로 재정의하는 방법을 보여 줍니다. |
| PlaneIdentifier(UWP C#, WPF C#) | Azure에서 Custom Vision 서비스를 사용하여 생성된 미리 학습된 기계 학습 모델을 사용하여 지정된 이미지에 특정 개체(plane)가 포함되어 있는지 감지합니다. |
| RustSqueezeNet | SqueezeNet을 사용하는 WinRT의 Rust 프로젝션입니다. |
| SqueezeNet Object Detection(Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE) | 미리 학습된 기계 학습 모델인 SqueezeNet을 사용하여 파일에서 사용자가 선택한 이미지에서 주요 개체를 감지합니다. |
| SqueezeNet Object Detection(Windows의 Azure IoT Edge, C#) | Windows에서 실행되는 Azure IoT Edge 모듈에서 Windows ML 유추를 실행하는 방법을 보여주는 샘플 모듈입니다. 연결된 카메라에서 이미지가 제공되고, SqueezeNet 모델에 대해 유추하여 IoT Hub로 전송됩니다. |
| StreamFromResource | ONNX 모델을 포함하는 포함 리소스를 사용하여 LearningModel 생성자에 전달할 수 있는 스트림으로 변환하는 방법을 보여 줍니다. |
| StyleTransfer(C#) | 사용자 제공 입력 이미지 또는 웹 카메라 스트림에서 스타일 전송을 수행하는 UWP 앱입니다. |
| winml_tracker(ROS C++) | Windows ML을 사용하여 카메라 프레임에서 사람(또는 기타 개체)을 추적하는 ROS(Robot Operating System) 노드입니다. |
참고 항목
Windows ML에 대한 도움말은 다음 리소스를 참조하세요.
- Windows ML에 대한 기술적인 질문을 하거나 질문에 답하려면, Stack Overflow에서 windows-machine-learning 태그를 사용하세요.
- 버그를 보고하려면 GitHub에서 문제를 제출하세요.