الوصف
يوفر مستودع سلسلة ShuffleNet، الذي طورته Megvii Research، إمكانية الوصول إلى مجموعة من معماريات الشبكات العصبية الالتفافية (CNN) الفعالة. تم تصميم هذه النماذج خصيصًا للنشر على الأجهزة المحمولة والمنصات الأخرى حيث تكون الموارد الحسابية محدودة، مع إعطاء الأولوية للسرعة واستهلاك الطاقة المنخفض دون تدهور كبير في الأداء.
قراءة المزيد
يستضيف المستودع العديد من النماذج الرئيسية، بما في ذلك ShuffleNetV1، الذي قدم بنية فعالة للغاية للأجهزة المحمولة. بناءً على ذلك، يقدم ShuffleNetV2 إرشادات عملية لتصميم معماريات CNN فعالة، مع التركيز على مقاييس مثل دمج القنوات والطبقات. يتم توفير تحسينات إضافية من خلال ShuffleNetV2+، وهو إصدار معزز من ShuffleNetV2، ومتغيرات أكبر مثل ShuffleNetV2.Large و ShuffleNetV2.ExLarge، والتي توفر عمقًا وقدرة حسابية متزايدة (10G+ و 40G+ FLOPs على التوالي) للمهام الأكثر تطلبًا.
بالإضافة إلى نماذج ShuffleNet الأساسية، يتميز المستودع أيضًا بـ OneShot، وهو نظام للبحث عن البنية العصبية بنمط واحد (one-shot) باستخدام أخذ العينات الموحد. بالإضافة إلى ذلك، تم تضمين DetNAS، الذي يركز على البحث عن الدعامات خصيصًا لمهام اكتشاف الكائنات. يوفر المشروع روابط لتنزيل النماذج المدربة لهذه المعماريات، مما يسهل دمجها في تطبيقات رؤية الكمبيوتر المختلفة.
تم تفصيل مقارنات الأداء داخل المستودع، مما يوضح كيف تتنافس نماذج ShuffleNet مع المعماريات الشائعة الأخرى مثل MobileNetV3 و MobileNetV2 و SENet عبر مقاييس مثل FLOPs وعدد المعلمات ودقة Top-1/Top-5. يساعد هذا القياس التفصيلي المطورين على اختيار النموذج الأنسب لاحتياجاتهم وقيودهم الخاصة. يتم ترخيص المشروع بموجب ترخيص MIT، مما يعزز الاستخدام والتعديل المفتوح.
يشمل الجمهور المستهدف لسلسلة ShuffleNet الباحثين والمطورين الذين يعملون على تطبيقات رؤية الكمبيوتر للأجهزة المحمولة والأنظمة المدمجة والحوسبة الطرفية. تصميمها الفعال يجعلها مثالية للمهام التي تتطلب معالجة في الوقت الفعلي، مثل تصنيف الصور واكتشاف الكائنات وتقسيم الصور الدلالي، حيث تكون الميزانيات الحسابية ضيقة. يقلل توفر الكود المصدري والنماذج المدربة على GitHub من حاجز الدخول لتبني هذه المعماريات العصبية المتقدمة والفعالة.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ سلسلة ShuffleNet
ShuffleNetV1: شبكة عصبية التفافية فعالة للأجهزة المحمولة
ShuffleNetV2: إرشادات عملية لتصميم معماريات CNN فعالة
ShuffleNetV2+: إصدار معزز من ShuffleNetV2
ShuffleNetV2.Large: إصدار أعمق مع 10G+ FLOPs
ShuffleNetV2.ExLarge: إصدار أعمق مع 40G+ FLOPs
OneShot: بحث عن البنية العصبية بنمط واحد (single-path one-shot)
DetNAS: بحث عن الدعامات لاكتشاف الكائنات
يتضمن نماذج مدربة للتنزيل
مقارنات الأداء مع معماريات أخرى
ترخيص MIT
البدء مع سلسلة ShuffleNet
الوصول إلى النموذج: انتقل إلى مستودع GitHub لسلسلة ShuffleNet.
استكشاف المعماريات: راجع إصدارات ShuffleNet المختلفة (V1، V2، V2+، Large، ExLarge) والمشاريع ذات الصلة (OneShot، DetNAS).
تنزيل النماذج: استخدم الروابط المتوفرة لـ OneDrive أو BaiduYun للحصول على أوزان النماذج المدربة.
الدمج عبر الكود: قم بدمج معماريات النماذج وأوزانها في مشاريع رؤية الكمبيوتر الخاصة بك.
التكيف للنشر: قم بتحسين النموذج المختار لجهازك المحمول أو الطرفي المستهدف.
تقييم الأداء: قارن أداء النموذج مع المعايير المقدمة في المستودع.
حالات استخدام سلسلة ShuffleNet
- تصنيف الصور على الأجهزة المحمولة
- الذكاء الاصطناعي على الأجهزة الطرفية
- اكتشاف الكائنات في الوقت الفعلي
- رؤية الكمبيوتر محدودة الموارد
- البحث الفعال عن البنية العصبية
- تطبيقات الذكاء الاصطناعي منخفضة الطاقة
