Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Windows ML, farklı yapay zeka senaryoları için çok çeşitli ONNX modellerini destekler. Bu sayfada farklı çerçevelerden ve dillerden Windows ML'yi kullanmaya yönelik örneklerin yanı sıra yaygın yapay zeka görevleri için kullanıma hazır model örnekleri sağlanır.
Çalışma Zamanı, Metin Oluşturma ve Konuşma Tanıma API'si örnekleri
Deneysel Windows ML örnek kataloğu, alt düzey Çalışma Zamanı API'si ve üst düzey Metin Oluşturma ve Konuşma Tanıma API'leri için yerel C++ ve Python örnekleri içerir. Çalışma zamanı örnekleri açık model yükleme, tensor bağlama, işlem hattı yürütme, model derleme ve durum bilgisi olan dil modeli döngülerini gösterir. Diğer örnekler, metin oluşturma, Whisper otomatik konuşma tanıma, akış halinde sonuçlar ve bir transkriptten metin oluşturma istemine doğrudan oluşturmayı göstermek için aynı runtime nesnelerini temel alır. Yerel örnekler de iptal işlemini gösterir.
Her model aşamasını veya tensor işlemini denetlemeniz gerektiğinde Runtime örneklerini kullanın. API desteklenen bir ML iş akışını koordine ederken uygulamanın uyumlu runtime ardışık düzenler sağlamasını istediğinizde Metin Oluşturma veya Konuşma Tanıma örneklerini kullanın. Katmanlar arasındaki ilişki için bkz. Windows ML kullanarak kendi dil modelinizle metin oluşturma ve Windows ML kullanarak kendi Whisper modelinizle konuşmayı tanıma.
Yapay Zeka Geliştirme Galerisi
Yapay Zeka Geliştirme Galerisi, Windows ML örneklerini keşfetmenin en kolay yoludur. Şunları sağlar:
- Her model senaryosu için etkileşimli tanıtımlar
- Her örnek için tam kaynak kodu
- Modeli kendi uygulamanızda kullanabilmeniz için Visual Studio projesine tek tıklamayla dışarı aktarma
İpucu
Yapay Zeka Geliştirme Galerisi'ndeki her model örneği tam kaynak kodu içerir. Seçtiğiniz modelle hızlı bir şekilde çalışan bir proje oluşturmak için Visual Studio'ya Aktar özelliğini kullanın.
Çerçeve tümleştirme örnekleri
GitHub'daki Windows Uygulama SDK'sı Örnekleri deposu, Windows ML'yi farklı diller ve çerçevelerle tümleştirmeyi gösteren örnek uygulamalar içerir.
| Language | Çerçeve | Paketleme türü | Bağımlılık türü | Link |
|---|---|---|---|---|
| C# | Console | Ambalajsız | Çerçeveye bağımlı | Bağlantı |
| C# | WPF (Windows Presentation Foundation) | Ambalajsız | Çerçeveye bağımlı | Bağlantı |
| C# | WinUI | MSIX | Çerçeveye bağımlı | Bağlantı |
| C# | WinForms | Ambalajsız | Çerçeveye bağımlı | Bağlantı |
| C++ WinRT | Console | Ayrı bir EXE ile DLL | Çerçeveye bağımlı | Bağlantı |
| C++ WinRT | Console | Ambalajsız | Bağımsız | Bağlantı |
| C++ WinRT | Console | MSIX | Çerçeveye bağımlı | Bağlantı |
| C++ CMake | Console | Ambalajsız | Bağımsız | Bağlantı |
| Piton | Console | Ambalajsız | Çerçeveye bağımlı | Bağlantı |
tam Windows ML örnek envanteri için Windows Uygulama SDK'sı Örnekleri deposundaki WindowsML klasörüne bakın.
Senaryoya göre model örnekleri
Aşağıdaki bölümlerde her bir yapay zeka senaryosu için kullanılabilen modellerin yanı sıra bunların boyutu ve donanım desteği listelenir. Örneği AI Geliştirme Galerisi uygulamasında açmak için "Kendiniz deneyin" seçeneğine tıklayın.
Büyük Dil Modelleri (LLM'ler) - Metin oluşturma
En son dil modellerini kullanarak konuşma metni yanıtları oluşturun.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| Phi 4 Mini CPU | İşlemci (CPU) | 4,6 GB |
| Phi 3.5 Mini CPU ACC4 | İşlemci (CPU) | 2,6 GB |
| Phi 3 Mini CPU | İşlemci (CPU) | 2,5 GB |
| Phi 3 Mini CPU ACC4 | İşlemci (CPU) | 2,5 GB |
| Phi 3 Orta Seviye CPU ACC4 | İşlemci (CPU) | 8,6 GB |
| Mistral 7B Yönerge 0.2 CPU | İşlemci (CPU) | 4,6 GB |
| Mistral 7B Yönerge 0.2 CPU ACC4 | İşlemci (CPU) | 4,6 GB |
Büyük Dil Modelleri (LLM'ler) - Çoklu modal
Görüntü işleme özellikli dil modellerini kullanarak görüntüleri analiz edin ve metin açıklamaları oluşturun.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| Phi 3 Vision CPU | İşlemci (CPU) | 3,0 GB |
| Phi 3.5 Görüntü İşleme CPU'si | İşlemci (CPU) | 3,0 GB |
Metin ekleme (Anlam arama)
Anlamsal arama ve benzerlik eşleştirmesi için metni vektör eklemelerine dönüştürün.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| all-MiniLM-L12-v2 | CPU, GPU | 127,2 MB |
| all-MiniLM-L6-v2 | CPU, GPU | 86,4 MB |
Görüntü oluşturma
Dağılım modellerini kullanarak metin girdilerinden görüntüler oluşturun.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| Kararlı Difüzyon v1.4 | CPU, GPU | 5,1 GB |
Görüntü sınıflandırması
Görüntüleri önceden tanımlanmış kategoriler halinde sınıflandırabilirsiniz.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| 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 |
Görüntü nesnesi algılama
Görüntülerdeki nesneleri algılama ve bulma.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| Daha hızlı RCNN 10 | CPU, GPU | 159,6 MB |
| Daha hızlı RCNN 12 | CPU, GPU | 168,5 MB |
| YOLOv4 | CPU, GPU | 245,5 MB |
Görüntü segmentasyonu (Arka plan algılama)
Ön plan konularını görüntülerdeki arka planlardan ayırın.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| SINet | CPU, GPU, NPU | 404,7 KB |
İnsan pozu algılama
Görüntülerdeki insan vücudu pozlarını ve önemli noktaları algılayın.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| HRNet Poz | CPU, GPU, NPU | 108,9 MB |
Sokak segmentasyonu
Sokak fotoğraflarını otonom sürüş ve haritalama uygulamaları için algılanabilir bölgelere bölün.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| FFNet 78s | CPU, GPU, NPU | 104,9 MB |
| FFNet 54s | CPU, GPU, NPU | 68,8 MB |
Yüz algılama
Görüntülerdeki insan yüzlerini algılayın ve bulun.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| FaceDetLite | CPU, GPU, NPU | 3,4 MB |
Sesli yazı (Ses'ten metne)
Konuşma tanıma modellerini kullanarak konuşulan sesi yazılı metne dönüştürün.
Yapay Zeka Geliştirme Galerisi uygulamasında kendiniz deneyin
| Model | Donanım | Boyut |
|---|---|---|
| Fısıltı Küçük CPU | İşlemci (CPU) | 73,8 MB |
| Fısıltı Küçük CPU | İşlemci (CPU) | 422,5 MB |
| Fısıltı Orta CPU | İşlemci (CPU) | 1,3 GB |