机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

以下为你介绍的机器学习/深度学习软件都可用在Linux系统上:GraphVite(通用高性能图表学习系统)、UGATIT(无监督生成注意网络)、Light-LPR(跨平台车牌识别应用)、DFFML(数据集生成和存储的API)。

1、GraphVite(通用高性能图表学习系统)

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

GraphVite 是一个通用图表嵌入引擎,用于在各种应用中进行高速和大规模嵌入式学习。GraphVite 支持多 GPU 并行,在百万节点的图上,只需要一分钟左右的时间学习节点的表示。GraphVite 为 3 类应用提供完整的训练和评估管道:节点嵌入(Node Embedding)、知识图谱嵌入(Knowledge Graph Embedding)和高维数据图表可视化(Graph&High-dimensional data visualization)。

此项目还包括 9 个流行的模型,以及它们在一些标准数据集上的效果。

要求:

通常,GraphVite可在CUDA>=9.2的任何Linux发行版上运行。

该库与Python 2.7和3.6/3.7兼容。

安装:

1]、From Conda

conda install -c milagraph graphvite cudatoolkit=$(nvcc -V | grep -Po "(?<=V)\d+.\d+")

如果您只需要进行培训而无需评估,则可以使用以下替代方法,且相关性最少:

conda install -c milagraph graphvite-mini cudatoolkit=$(nvcc -V | grep -Po "(?<=V)\d+.\d+")

2]、From Source

在安装之前,请确保已安装conda:

git clone https://github.com/DeepGraphLearning/graphvite

cd graphvite

conda install -y --file conda/requirements.txt

mkdir build

cd build && cmake .. && make && cd -

cd python && python setup.py install && cd -

3]、On Colab

!wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

!chmod +x Miniconda3-latest-Linux-x86_64.sh

!./Miniconda3-latest-Linux-x86_64.sh -b -p /usr/local -f

!conda install -y -c milagraph -c conda-forge graphvite \

 python=3.6 cudatoolkit=$(nvcc -V | grep -Po "(?<=V)\d+\.\d+")

!conda install -y wurlitzer ipykernel

import site

site.addsitedir("/usr/local/lib/python3.6/site-packages")

%reload_ext wurlitzer

下载地址:https://github.com/DeepGraphLearning/graphvite

2、UGATIT(无监督生成注意网络)

U-GAT-IT 官方 Tensorflow 实施,用于图像到图像转换的自适应层实例规范化的无监督生成注意网络。

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

U-GAT-IT:具有用于图像到图像转换的自适应层实例标准化的无监督生成注意网络。

Junho Kim(NCSOFT),Minjae Kim(NCSOFT),Hyeonwoo Kang(NCSOFT),Kwanghee Lee(波音韩国)。

我们提出了一种新的无监督图像到图像转换方法,它以端到端的方式结合了新的注意模块和新的可学习的归一化功能。注意模块引导我们的模型基于辅助分类器获得的关注图来关注区分源域和目标域的更重要区域。与先前基于注意力的方法不同,这些方法无法处理域之间的几何变化,我们的模型可以转换需要整体变化的图像和需要大变形的图像。此外,我们新的AdaLIN(自适应图层实例标准化)功能可帮助我们的注意力引导模型根据数据集通过学习参数灵活地控制形状和纹理的变化量。

训练:

> python main.py --dataset selfie2anime

如果gpu的内存不足,请设置--light为True。

测试:

> python main.py --dataset selfie2anime --phase test

架构:

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

结果:

消融研究:

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

用户研究:

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

对照:

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

引文:

如果您发现此代码对您的研究有用,请引用我们的论文:

@misc{kim2019ugatit,

 title={U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation},

 author={Junho Kim and Minjae Kim and Hyeonwoo Kang and Kwanghee Lee},

 year={2019},

 eprint={1907.10830},

 archivePrefix={arXiv},

 primaryClass={cs.CV}

}

下载地址:https://github.com/taki0112/UGATIT

3、Light-LPR(跨平台车牌识别应用)

机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML介绍

注:上图是支持的车牌及1080P图片识别基准性能。

Light-LPR是一个车牌识别开源项目,它可以在嵌入式设备、手机端和普通的x86平台上运行,旨在支持各种场景的车牌识别,车牌字符识别准确率超99.95%,综合识别准确率超过99%,支持目前国内所有的车牌识别,觉得好用的一定要加星哦。200星公布黄牌识别模型,400星公布新能源车牌模型。技术上采用MTCNN检测车牌和四个角点精确定位,并进行偏斜纠正,最后进行端到端识别车牌号码,使用MNN作为推理引擎。具有结构简单,灵活部署的特点,适应各类计算平台。

安装依赖:

cmake >= 3.10.0 opencv >= 3.0.0 openmp

x86平台Linux安装指令:

git clone https://github.com/lqian/light-LPR

cd light-LPR && mkdir build && cd build

cmake ../

make

ARM平台Linux安装指令:

git clone https://github.com/lqian/light-LPR

cd light-LPR && mkdir build && cd build

cmake ../ -DLIGHT_LPR_ARCH=arm

make

运行测试:

./examples/demo ../models/ [/path/to/a/image]

本项目在Fedora 29,Ubuntu 18.04 mate for ARM平台测试通过。

未来优化:

目前使用车牌的检测使用了License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9项目的MTCNN模型,在实际场景中误检测率比较高,抗干扰能力不强,检测耗时长。后期考虑采用MSSD或者YOLOV3等 one stage 的检测算法先检测出车牌,再进行偏斜纠正的方案,提高检测模块的性能。

下载地址:https://github.com/lqian/light-LPR

4、DFFML(数据集生成和存储的API)

Data Flow Facilitator for Machine Learning(DFFML)提供用于数据集生成和存储的API,并且支持使用任何机器学习框架的模型定义,从高级到低级使用。

DFFML的目标是为数据集生成和模型定义构建社区驱动的插件库。 因此,我们作为开发人员和研究人员可以使用各种模型实现快速轻松地插入和播放各种数据。

我们构建插件库(任何人都可以维护,除非你想要它们不必上游),模型实现,特征数据生成器和数据库后端抽象的更多变化,我们都必须工作用。

现在我们已经发布了一个围绕Tensorflow DNN估算器的包装器,以及一组从git存储库收集数据的特征生成器。

下载地址:https://github.com/intel/dffml

注明

以上就是机器/深度学习GraphVite、UGATIT、Light-LPR、DFFML的介绍内容,这些机器学习/深度学习软件都能使用在Linux操作系统中。

栏目相关文章