Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Usługa Windows ML obsługuje szeroką gamę modeli ONNX dla różnych scenariuszy sztucznej inteligencji. Ta strona zawiera przykłady użycia uczenia maszynowego systemu Windows z różnych struktur i języków, a także gotowe do użycia przykłady modeli dla typowych zadań sztucznej inteligencji.
Przykłady interfejsu API środowiska uruchomieniowego Runtime, generowania tekstu i rozpoznawania mowy
Eksperymentalny katalog przykładów Windows ML zawiera natywne przykłady języka C++ i Python dla interfejsu API środowiska uruchomieniowego niższego poziomu oraz interfejsów API generowania tekstu i rozpoznawania mowy wyższego poziomu. Przykłady uruchomieniowe pokazują jawne ładowanie modelu, wiązanie tensora, wykonywanie potoku przetwarzania, kompilację modelu i stanowe pętle modelu językowego. Inne przykłady bazują na tych samych obiektach Runtime, aby zademonstrować generowanie tekstu, automatyczne rozpoznawanie mowy Whisper, wyniki przesyłania strumieniowego i bezpośrednie tworzenie promptu generowania tekstu na podstawie transkrypcji. Natywne przykłady dla platformy pokazują również anulowanie.
Użyj próbek Runtime, jeśli musisz kontrolować każdy etap modelu lub operację tensorową. Użyj przykładów generowania tekstu lub rozpoznawania mowy, jeśli aplikacja ma udostępniać zgodne potoki uruchomieniowe, a interfejs API koordynuje obsługiwany przepływ pracy uczenia maszynowego. Informacje o relacji między warstwami znajdziesz w artykułach Generowanie tekstu przy użyciu własnego modelu językowego za pomocą Windows ML i Rozpoznawanie mowy przy użyciu własnego modelu Whisper za pomocą Windows ML.
Galeria deweloperów sztucznej inteligencji
Galeria deweloperów sztucznej inteligencji to najprostszy sposób eksplorowania przykładów uczenia maszynowego systemu Windows. Zapewnia:
- Interaktywne pokazy dla każdego scenariusza modelu
- Pełny kod źródłowy dla każdego przykładu
- Eksportowanie jednym kliknięciem do projektu programu Visual Studio, aby można było użyć modelu we własnej aplikacji
Wskazówka
Każdy przykładowy model w galerii deweloperów sztucznej inteligencji zawiera kompletny kod źródłowy. Użyj funkcji Eksportuj do programu Visual Studio, aby szybko utworzyć projekt roboczy z wybranym modelem.
Przykłady integracji frameworków
Repozytorium przykładów zestawu SDK aplikacji systemu Windows w witrynie GitHub zawiera przykładowe aplikacje, które pokazują, jak zintegrować usługę Windows ML z różnymi językami i strukturami.
| Język | Framework | Typ opakowania | Typ zależności | Link |
|---|---|---|---|---|
| C# | Console | Nieopakowany | Zależne od struktury | Łącze |
| C# | WPF | Nieopakowany | Zależne od struktury | Łącze |
| C# | WinUI | MSIX | Zależne od struktury | Łącze |
| C# | WinForms | Nieopakowany | Zależne od struktury | Łącze |
| C++ WinRT | Console | Biblioteka DLL z oddzielnym plikiem EXE | Zależne od struktury | Łącze |
| C++ WinRT | Console | Nieopakowany | Samodzielny | Łącze |
| C++ WinRT | Console | MSIX | Zależne od struktury | Łącze |
| C++ CMake | Console | Nieopakowany | Samodzielny | Łącze |
| Python | Console | Nieopakowany | Zależne od struktury | Łącze |
Pełny spis przykładów Windows ML można znaleźć w folderze WindowsML w repozytorium przykładów Zestaw SDK do aplikacji systemu Windows.
Przykłady modeli według scenariusza
W poniższych sekcjach wymieniono dostępne modele dla każdego scenariusza sztucznej inteligencji wraz z ich rozmiarem i obsługą sprzętu. Kliknij pozycję "Wypróbuj samodzielnie", aby otworzyć przykład w aplikacji Galeria deweloperów sztucznej inteligencji.
Duże modele językowe (LLM) — generowanie tekstu
Generowanie odpowiedzi na tekst konwersacyjny przy użyciu najnowocześniejszych modeli językowych.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| Phi 4 Mini CPU | CPU | 4,6 GB |
| Phi 3.5 Mini CPU ACC4 | CPU | 2,6 GB |
| Phi 3 Mini PROCESOR | CPU | 2,5 GB |
| Phi 3 Mini CPU ACC4 | CPU | 2,5 GB |
| Phi 3 Średni procesor ACC4 | CPU | 8,6 GB |
| Mistral 7B Poinstruuj procesor 0.2 | CPU | 4,6 GB |
| Mistral 7B Instruct 0.2 CPU ACC4 | CPU | 4,6 GB |
Duże modele językowe (LLMs) — multi-modalne
Analizowanie obrazów i generowanie opisów tekstu przy użyciu modeli językowych z obsługą obrazów.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| Procesor Phi 3 Vision CPU | CPU | 3,0 GB |
| Procesor Przetwarzania obrazów Phi 3.5 | CPU | 3,0 GB |
Osadzanie tekstu (wyszukiwanie semantyczne)
Przekonwertuj tekst na wektorowe osadzanie na potrzeby wyszukiwania semantycznego i dopasowania podobieństwa.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| all-MiniLM-L12-v2 | CPU, GPU | 127,2 MB |
| all-MiniLM-L6-v2 | CPU, GPU | 86,4 MB |
Generowanie obrazu
Tworzenie obrazów na podstawie monitów tekstowych przy użyciu modeli dyfuzji.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| Stable Diffusion v1.4 | CPU, GPU | 5,1 GB |
Klasyfikacja obrazów
Klasyfikowanie obrazów do wstępnie zdefiniowanych kategorii.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| MobileNet v2 1.0 | CPU, GPU | 13,3 MB |
| ResNet101 v1 7 | CPU, GPU | 170,6 MB |
| ResNet50 v1 7 | CPU, GPU | 97,8 MB |
| SqueezeNet 1.1 | CPU, GPU, NPU | 4,7 MB |
Wykrywanie obiektu obrazu
Wykrywanie i lokalizowanie obiektów na obrazach.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| Szybsza wersja RCNN 10 | CPU, GPU | 159,6 MB |
| Szybsza wersja RCNN 12 | CPU, GPU | 168,5 MB |
| YOLOv4 | CPU, GPU | 245,5 MB |
Segmentacja obrazów (wykrywanie tła)
Oddziel tematy pierwszego planu od tła na obrazach.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| SiNet | CPU, GPU, NPU | 404,7 KB |
Wykrywanie pozy człowieka
Wykryj kluczowe punkty i pozy ludzkiego ciała na zdjęciach.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| HRNet Pose | CPU, GPU, NPU | 108,9 MB |
Segmentacja ulic
Segmentowanie zdjęć ulicznych w wykrywalnych strefach na potrzeby autonomicznych aplikacji do jazdy i mapowania.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| FFNet 78s | CPU, GPU, NPU | 104,9 MB |
| FFNet 54s | CPU, GPU, NPU | 68,8 MB |
Wykrywanie twarzy
Wykrywanie i lokalizowanie ludzkich twarzy na obrazach.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| FaceDetLite | CPU, GPU, NPU | 3,4 MB |
Transkrypcja audio (zamiana głosu na tekst)
Konwertowanie dźwięku mówionego na tekst pisany przy użyciu modeli rozpoznawania mowy.
Wypróbuj to samodzielnie w aplikacji Galeria deweloperów sztucznej inteligencji
| Model | Sprzęt | Rozmiar |
|---|---|---|
| Szepta mały procesor CPU | CPU | 73,8 MB |
| Whisper mały CPU | CPU | 422,5 MB |
| Whisper — średni CPU | CPU | 1,3 GB |