Forwarded from GitHub Community
YOLO – алгоритм обнаружения объектов, который разделяет изображения на сетку
Каждая ячейка в сетке отвечает за обнаружение объектов внутри себя
Это один из самых известных алгоритмов обнаружения объектов благодаря своей скорости и точности
⤷ Ссылка на проект
GitHub | #Python #Algorithm
Каждая ячейка в сетке отвечает за обнаружение объектов внутри себя
Это один из самых известных алгоритмов обнаружения объектов благодаря своей скорости и точности
⤷ Ссылка на проект
GitHub | #Python #Algorithm
Forwarded from Интернет-Розыск
Для извлечения из неструктурированных данных именованных сущностей, таких, как физические и юридические лица, объекты, местоположение, события, предметы, товары, услуги и т.п. при работе с русскими и англоязычными текстами, едва ли не наилучшим решением является Eureka Engine.
♾ http://eurekaengine.ru/ru/demo/
♾ http://eurekaengine.ru/ru/demo/
Forwarded from Python - Советы, библиотеки, гайды
Совет дня: Никогда не пользуйтесь
По возможности всегда и везде сразу используйте
Хотя бы потому что у него нет разделения на CPU/GPU версии, и он не требует установки 10 тысяч конфликтующих между собой библиотек😡
UPD: Есть даже официальное средство миграции старых проектов TF1 на TF2, так что пользуйтесь.
Tensorflow 1.x, потому что это глючное г@вно.По возможности всегда и везде сразу используйте
Tensorflow 2.x.Хотя бы потому что у него нет разделения на CPU/GPU версии, и он не требует установки 10 тысяч конфликтующих между собой библиотек
UPD: Есть даже официальное средство миграции старых проектов TF1 на TF2, так что пользуйтесь.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Python - Советы, библиотеки, гайды
Делаем искуственный интеллект, который будет играть в Counter Strike: Global Offensive.
На Python + Tensorflow :3
https://youtu.be/kudbejO_K68
На Python + Tensorflow :3
https://youtu.be/kudbejO_K68
YouTube
Я сделал ИИ для Counter Strike: Global Offensive :D | Часть 1
Делаем искусственный интеллект, который будет играть в Counter Strike: Global Offensive.
На Python + Tensorflow :3
Бесплатный курс по созданию игры на движке Unity от Яндекс Игр:https://ya.cc/t/VG7esRYf3hzBPf
🆇 Главы 🆇
0:00 - Начало
0:48 - ИИ для Counter…
На Python + Tensorflow :3
Бесплатный курс по созданию игры на движке Unity от Яндекс Игр:https://ya.cc/t/VG7esRYf3hzBPf
🆇 Главы 🆇
0:00 - Начало
0:48 - ИИ для Counter…
Forwarded from Ты в тренде или уходи
🤖 Самый детальный гайд по нейросетям — [32:22]
Если вы думаете, что нейросети это сложно, просто посмотрите это видео. Здесь автор на пальцах объясняет, что такое нейросеть, и как она работает.
Вы получите самый детальный разбор принципа работы нейросетей, подкреплённый несколькими практическими примерами и изложенный в максимально понятной и простой форме.
Перейти к просмотру
#нейросеть
Если вы думаете, что нейросети это сложно, просто посмотрите это видео. Здесь автор на пальцах объясняет, что такое нейросеть, и как она работает.
Вы получите самый детальный разбор принципа работы нейросетей, подкреплённый несколькими практическими примерами и изложенный в максимально понятной и простой форме.
Перейти к просмотру
#нейросеть
Forwarded from Мишин Лернинг
🚀 Встречайте новую SOTA Text-2-Image eDiffi: Диффузионные "Эксперты" от NVIDIA
Новый Text-to-Image. В данном случае на классических диффузионных пиксельных каскадах. Модель является гибридом DALL-E от OpenAI 2 и Imagen от Google.
Модель по прежнему использует 3 каскада:
1) Text-To-64pix
2) 64pix-To-256pix
3) 256pix-to-1024pix
Но в данном случае все три модели могут брать любую комбинацию кондишенов из следующих моделей:
— T5 XXL
— CLIP-L/14 Text
— CLIP-L/14 Image
Это позволяет использовать сеть в режиме генерации вариаций (Привет DALL-E 2), а так же юзать легковесный CLIP вместо T5 XXL (который имхо весит неоправданно много). Вообще интересно показано, что T5 работает в связке с CLIP-L/14 Text лучше, чем просто T5. И (спойлер) это действительно так (не скажу откуда знаю).
Кроме того, сеть использует модели — Диффузионные Эксперты для разных этапов денойзинга. Тут смысл такой, если не жалко видеопамять, то можно сделать моделт под разные этапы денойза, например одну под первые 256 шагов, вторую под следующие 256 и так далее. Такие 4 модели буду работать лучше, чем одна. Но и в памяти нужно будет держать их всех.
👑 Используя все эти фишки Karrasи компания добились того, что
eDiffi-Config-D 9.1B (Вместе с CLIP-L/14 и T5-XXL Enc) бьет Zero-shot FID ↓ на COCO-30K 2014 valid SOTA:
GLIDE : 5B - 12.24 FID ↓
MakeAScene : 4B - 11.84 FID ↓
DALL·E 2 : 6.5B - 10.39 FID ↓
StableD : 1.4B - 8.59 FID ↓
Imagen : 7.9B - 7.27 FID ↓
Parti : 20B - 7.23 FID ↓
eDiffi D: 9.1B - 7.04 FID ↓
Ну вот такие новости. Очень много полезных вещей попробовали, советую почитать статью.
🥑 eDiffi от NVIDIA
📇 Paper eDiffi
@ м и ш и н л е р н и н г
Новый Text-to-Image. В данном случае на классических диффузионных пиксельных каскадах. Модель является гибридом DALL-E от OpenAI 2 и Imagen от Google.
Модель по прежнему использует 3 каскада:
1) Text-To-64pix
2) 64pix-To-256pix
3) 256pix-to-1024pix
Но в данном случае все три модели могут брать любую комбинацию кондишенов из следующих моделей:
— T5 XXL
— CLIP-L/14 Text
— CLIP-L/14 Image
Это позволяет использовать сеть в режиме генерации вариаций (Привет DALL-E 2), а так же юзать легковесный CLIP вместо T5 XXL (который имхо весит неоправданно много). Вообще интересно показано, что T5 работает в связке с CLIP-L/14 Text лучше, чем просто T5. И (спойлер) это действительно так (не скажу откуда знаю).
Кроме того, сеть использует модели — Диффузионные Эксперты для разных этапов денойзинга. Тут смысл такой, если не жалко видеопамять, то можно сделать моделт под разные этапы денойза, например одну под первые 256 шагов, вторую под следующие 256 и так далее. Такие 4 модели буду работать лучше, чем одна. Но и в памяти нужно будет держать их всех.
👑 Используя все эти фишки Karrasи компания добились того, что
eDiffi-Config-D 9.1B (Вместе с CLIP-L/14 и T5-XXL Enc) бьет Zero-shot FID ↓ на COCO-30K 2014 valid SOTA:
GLIDE : 5B - 12.24 FID ↓
MakeAScene : 4B - 11.84 FID ↓
DALL·E 2 : 6.5B - 10.39 FID ↓
StableD : 1.4B - 8.59 FID ↓
Imagen : 7.9B - 7.27 FID ↓
Parti : 20B - 7.23 FID ↓
eDiffi D: 9.1B - 7.04 FID ↓
Ну вот такие новости. Очень много полезных вещей попробовали, советую почитать статью.
🥑 eDiffi от NVIDIA
📇 Paper eDiffi
@ м и ш и н л е р н и н г
Forwarded from Pythonist.ru - образование по питону
5 лучших книг для изучения библиотеки TensorFlow
TensorFlow — это библиотека для машинного обучения, созданная Google. В этой статье мы представляем вам пять отличных книг, обучающих применению TensorFlow на практике.
#книги #ml
Книги по ML - @maschinelearning
TensorFlow — это библиотека для машинного обучения, созданная Google. В этой статье мы представляем вам пять отличных книг, обучающих применению TensorFlow на практике.
#книги #ml
Книги по ML - @maschinelearning
Forwarded from Open Source
This media is not supported in your browser
VIEW IN TELEGRAM
Lama Cleaner
Свободный инструмент для рисования с открытым исходным кодом, основанный на модели SOTA AI.
Позволяет:
▫️Удалить все лишнее с изображения
▫️Исправить старое фото
▫️Заменить что-то на изображении
https://github.com/Sanster/lama-cleaner
Свободный инструмент для рисования с открытым исходным кодом, основанный на модели SOTA AI.
Позволяет:
▫️Удалить все лишнее с изображения
▫️Исправить старое фото
▫️Заменить что-то на изображении
https://github.com/Sanster/lama-cleaner
Forwarded from эйай ньюз
OpenAI наконец выкатили простое публичное API к Dalle-2. Конец засилию Stable Diffusion, и появится куча приложений на DALLE-2.
https://openai.com/blog/dall-e-api-now-available-in-public-beta/
@ai_newz
https://openai.com/blog/dall-e-api-now-available-in-public-beta/
@ai_newz
Forwarded from Ты в тренде или уходи
🌷 Различаем цветы с помощью нейросети — [14:39]
Автор показывает, как создать простую нейросеть, которая определяет вид растения на изображении по четырём параметрам.
Всё это будет реализовано на Python без использования каких-либо фреймворков для работы с нейросетями.
Перейти к просмотру
#нейросети
Автор показывает, как создать простую нейросеть, которая определяет вид растения на изображении по четырём параметрам.
Всё это будет реализовано на Python без использования каких-либо фреймворков для работы с нейросетями.
Перейти к просмотру
#нейросети
Forwarded from Big Data Science
👀TOP 5 Open Source Data lineage Tools
Data lineage allows a company to comply with regulatory requirements, better understand and trust its data, and save time on manually analyzing the effects of data changes. To monitor data, there are many tools on the market today, open source and proprietary. Of the source code tools, the most important are:
• Tokern allows users to get column-level data passing data from databases and data stores hosted by Google BigQuery, AWS Redshift, and Snowflake. Tokern can be integrated with other bugs as well. it works well with a large number of data directories with large source code and ETL frameworks. Tokern also provides users with the ability to generate data from external sources or its frequency ETL, making an overview for high end BI and ETL tools. Tokern uses PostgreSQL as its local storage, and NetworkX for quick analysis of network graphs. These available users can be manipulated, visualized, and analyzed in column-level library origin data. Additionally, users can also interact with walkthrough data using the Tokern SDK or API. Tokern also discovered PII (personal information) and PHI (personal health information) using PIICatcher, combining regular expressions with NLP libraries Spacy and Stanford NER.
• Egeria - a metadata standard with original source code, enabling seamless integration of data processing tools for a robust and unified representation of metadata. Egeria allows you to build better solutions for data production, data quality checks, PII identification, and more. in addition to cataloging and metadata retrieval. Egeria Law on the OpenLineage data collection and storage standard. This allows users to gain a more complete view of the data by providing horizontal and vertical assignment and tracing. To get information about the origin of the data, Egeria listens to the Kafka events sent by the original messages.
• Pachyderm is a data collection tool that empowers developers to create machine learning pipelines regardless of language and framework, instead of focusing on cloud storage. It uses a version control system like LakeFS or Git saves and saves changes like commits keeping a complete and unaltered audit trail. Pachyderm also has a full audit trail and uses a central repository based on object storage in a custom Pachyderm File System to track data generation and version control. Pachyderm collects user data sources, uses global origin event and data object identifiers. Pachyderm allows you to create an immutable data production graph as a DAG in the user interface, which is especially useful when working with ML pipelines. Thick Skin integrates well with many databases, repositories and data lakes. Therefore, many companies use it for MLOps operations, ETL unstructured data, and NLP workflows.
• OpenLineage is a Linux Foundation project based on the highest ETL platforms, data orchestration mechanisms, metadata catalogs, data quality control mechanisms, and data inheritance tools. OpenLineage uses JSONSchema as the API definition and supports multiple languages and platforms. The previously mentioned Egeria has a core metadata layer built on top of OpenLineage. WeWork's Marquez also underpins the OpenLineage architecture, a preferred UI and metadata repository, as well as an API for collecting metadata, validating via GraphQL, and a REST API.
• TrueDat is a comprehensive data management solution that allows you to efficiently classify, search and evaluate data, as well as visualize the entire data lifecycle. The tool was created in 2017 by BlueTab, which is part of IBM, and is still actively developed.
https://blog.devgenius.io/5-best-open-source-data-lineage-tools-in-2022-f8ef39a7d5f6
Data lineage allows a company to comply with regulatory requirements, better understand and trust its data, and save time on manually analyzing the effects of data changes. To monitor data, there are many tools on the market today, open source and proprietary. Of the source code tools, the most important are:
• Tokern allows users to get column-level data passing data from databases and data stores hosted by Google BigQuery, AWS Redshift, and Snowflake. Tokern can be integrated with other bugs as well. it works well with a large number of data directories with large source code and ETL frameworks. Tokern also provides users with the ability to generate data from external sources or its frequency ETL, making an overview for high end BI and ETL tools. Tokern uses PostgreSQL as its local storage, and NetworkX for quick analysis of network graphs. These available users can be manipulated, visualized, and analyzed in column-level library origin data. Additionally, users can also interact with walkthrough data using the Tokern SDK or API. Tokern also discovered PII (personal information) and PHI (personal health information) using PIICatcher, combining regular expressions with NLP libraries Spacy and Stanford NER.
• Egeria - a metadata standard with original source code, enabling seamless integration of data processing tools for a robust and unified representation of metadata. Egeria allows you to build better solutions for data production, data quality checks, PII identification, and more. in addition to cataloging and metadata retrieval. Egeria Law on the OpenLineage data collection and storage standard. This allows users to gain a more complete view of the data by providing horizontal and vertical assignment and tracing. To get information about the origin of the data, Egeria listens to the Kafka events sent by the original messages.
• Pachyderm is a data collection tool that empowers developers to create machine learning pipelines regardless of language and framework, instead of focusing on cloud storage. It uses a version control system like LakeFS or Git saves and saves changes like commits keeping a complete and unaltered audit trail. Pachyderm also has a full audit trail and uses a central repository based on object storage in a custom Pachyderm File System to track data generation and version control. Pachyderm collects user data sources, uses global origin event and data object identifiers. Pachyderm allows you to create an immutable data production graph as a DAG in the user interface, which is especially useful when working with ML pipelines. Thick Skin integrates well with many databases, repositories and data lakes. Therefore, many companies use it for MLOps operations, ETL unstructured data, and NLP workflows.
• OpenLineage is a Linux Foundation project based on the highest ETL platforms, data orchestration mechanisms, metadata catalogs, data quality control mechanisms, and data inheritance tools. OpenLineage uses JSONSchema as the API definition and supports multiple languages and platforms. The previously mentioned Egeria has a core metadata layer built on top of OpenLineage. WeWork's Marquez also underpins the OpenLineage architecture, a preferred UI and metadata repository, as well as an API for collecting metadata, validating via GraphQL, and a REST API.
• TrueDat is a comprehensive data management solution that allows you to efficiently classify, search and evaluate data, as well as visualize the entire data lifecycle. The tool was created in 2017 by BlueTab, which is part of IBM, and is still actively developed.
https://blog.devgenius.io/5-best-open-source-data-lineage-tools-in-2022-f8ef39a7d5f6
👍1