Exemplos do Windows Machine Learning
O repositório do Windows-Machine-Learning no GitHub contém aplicativos de exemplo que demonstram como usar o Windows Machine Learning, bem como ferramentas que ajudam a verificar os modelos e solucionar problemas durante o desenvolvimento.
Os aplicativos de exemplo a seguir estão disponíveis no GitHub.
Nome | Descrição |
---|---|
AdapterSelection (Win32 C++) | Um aplicativo da área de trabalho que demonstra como escolher um adaptador de dispositivo específico para executar seu modelo. |
BatchSupport | Mostra como vincular e avaliar lotes de entradas com o Windows ML. |
Custom Operator Sample (Win32 C++) | Um aplicativo da área de trabalho que define vários operadores de CPU personalizados. Um deles é um operador de depuração que você pode integrar em seu próprio fluxo de trabalho. |
Custom Tensorization (Win32 C++) | Mostra como tensorizar uma imagem de entrada usando as APIs do Windows ML na CPU e na GPU. |
Visão Personalizada (UWP C#) | Mostra como treinar um modelo ONNX na nuvem usando a Visão Personalizada e como integrá-lo a um aplicativo com o Windows ML. |
Emoji8 (UWP C#) | Mostra como você pode usar o Windows ML para desenvolver um aplicativo divertido de detecção de emoções. |
FNS Style Transfer (UWP C#) | Usa o modelo de transferência de estilo FNS-Candy para reestilizar imagens ou fluxos de vídeo. |
MNIST (UWP C#/C++) | Corresponde ao Tutorial: criar um aplicativo UWP do Windows Machine Learning (C#). Comece com uma base e trabalhe até o fim do tutorial ou execute o projeto concluído. |
NamedDimensionOverrides | Demonstra como substituir as dimensões nomeadas por valores concretos para otimizar o desempenho do modelo. |
PlaneIdentifier (UWP C#, WPF C#) | Usa um modelo de machine learning previamente treinado, gerado usando o serviço de Visão Personalizada no Azure, para detectar se a imagem fornecida contém um objeto específico: um plano. |
RustSqueezeNet | Projeção rust do WinRT usando o SqueezeNet. |
Detecção de Objetos do SqueezeNet (Win32 C++, UWP C#/JavaScript, .NET5 e .NETCORE) | Usa o SqueezeNet, um modelo de machine learning previamente treinado, para detectar o objeto predominante em uma imagem selecionada pelo usuário em um arquivo. |
Detecção de Objetos do SqueezeNet (Azure IoT Edge on Windows, C#) | Este é um módulo de exemplo que mostra como executar a inferência do Windows ML em um módulo do Azure IoT Edge em execução no Windows. As imagens são fornecidas por uma câmera conectada, com inferência feita em relação ao modelo SqueezeNet, e enviadas ao Hub IoT. |
StreamFromResource | Mostra como converter um recurso inserido que contém um modelo ONNX em um fluxo que pode ser passado para o construtor LearningModel. |
StyleTransfer (C#) | Um aplicativo UWP que executa a transferência de estilo em imagens de entrada fornecidas pelo usuário ou em fluxos de câmera da Web. |
winml_tracker (ROS C++) | Um nó ROS (Robot Operating System) que usa o Windows ML para rastrear pessoas (ou outros objetos) em quadros de câmera. |
Observação
Use os recursos a seguir para obter ajuda com o Windows ML:
- Para fazer perguntas ou responder a perguntas técnicas sobre o Windows ML, use a marca windows-machine-learning no Stack Overflow.
- Para relatar um bug, registre um problema no nosso GitHub.