学项目还送礼?精选项目冬季特刊(三)

2020/12/31 19:25
阅读数 5

点击左上方蓝字关注我们

AI studio经过一年多的建设,现已积累了数以万计的优质项目和数据集,在这里感谢大家一直以来的支持!

为了方便大家学习,小编特意整理了精选项目冬季特刊并分三期分享给大家。前两期我们为大家分享了趣味项目、计算机视觉、自然语言处理、比赛分享等方面的内容,本期我们就以下专题给大家分享:Paddle2.0尝鲜、模型部署、Paddle的多方向应用,感兴趣的小伙伴们抓紧时间学起来吧~

如果有小伙伴想查看上期的内容可以点击这里跳转哦:

学项目还送礼?精选项目冬季特刊(一)

学项目还送礼?精选项目冬季特刊(二)

开始之前还是要先打个小广告,跟我们一起建设AI Studio内容和生态,不光能赢取积分、机械键盘等豪礼,还能荣登项目达人榜,成为AI Studio红人~

“AI Studio优质项目征集”:

https://ai.baidu.com/forum/topic/show/959188

“AI Studio优质数据集征集”:

https://ai.baidu.com/forum/topic/show/959190

Paddle2.0RC尝鲜

飞桨框架2.0全新推出高层API,是对飞桨API的进一步封装与升级,提供了更加简洁易用的API,进一步提升了飞桨的易学易用性,并增强飞桨的功能。


项目一:『跟着雨哥学AI』系列01:初识飞桨框架高层API

简介:目前飞桨高层API由五个模块组成,分别是数据加载、模型组建、模型训练、模型可视化和高阶用法。本项目通过一个深度学习中经典的手写数字分类任务,来简单了解飞桨高层API,然后再详细的介绍每个模块中所包含的API。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1243085


项目二:『跟着雨哥学AI』系列02:详解飞桨框架数据管道

简介:本节教程分别对内置数据集、数据集定义、数据增强、数据采样以及数据加载这几个功能点进行详细的讲解。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1299687


项目三:『跟着雨哥学AI』系列03:详解飞桨框架模型组网

简介:本教程分别对框架内置模型、模型结构可视化、Sequential组网、SubClass组网以及基于内置模型的二次开发进行讲解。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1319243


项目四:『跟着雨哥学AI』系列04:详解飞桨框架模型训练

简介:本节课我将对模型配置、模型训练、模型评估以及模型预测这4个功能进行详细的讲解。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1342559


项目五:【学习目录】基于PaddlePaddle2.0构建深度学习模型

简介:本项目为深度学习学习目录并持续更新。从理论到实践将线性规划、分类器、CNN、RNN进行了详细的讲解,对于入门学习NLP的小伙伴是一份不可或缺的学习资料。另外项目所有代码基于Paddle2.0编写,并对重要的代码进行了详细的注释。

链接

https://aistudio.baidu.com/aistudio/projectdetail/1354419


项目六:飞桨2.0并行计算:单机多卡与多机多卡组网示例

简介:本项目提供了单机多卡与多机多卡组网示例,并且针对单机多卡的情况,优先推荐使用spawn方式,针对多机多卡的情况,推荐使用fleet方式。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1222066


项目七:抢先~ 基于Paddle 2.0 实现GINet

简介:当前堆叠许多卷积和池化操作的深度模型面临着感受野受限,不能很好的进行上下文建模的问题,GINet可以将坐标空间的像素级特征聚合投影到交互空间,然后进行有效的关系推理,最后将具有关系属性的特征反投影回原始的坐标空间。本项目基于Paddle2.0实现图卷积GINet网络模型结构,Backbone基于ResNet。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1153960


项目八:Paddle2.0尝鲜 通过Sub-Pixel实现图像超分辨率

简介:在计算机视觉中,图像超分辨率(Image Super Resolution)是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。

本示例简要介绍如何通过飞桨开源框架,实现图像超分辨率。包括数据集的定义、模型的搭建与训练。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1109418


项目九:Paddle2.0-OCR实现验证码识别(CTC)

简介:本篇将介绍如何通过飞桨实现简单的CRNN+CTC自定义数据集OCR识别模型,数据集采用CaptchaDataset中OCR部分的9453张图像,其中前8453张图像在本案例中作为训练集,后1000张则作为测试集。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1100507


项目十:Paddle2.0-通过DCGAN实现人脸图像生成

简介:本教程将通过一个示例对DCGAN进行介绍。在向其展示许多真实人脸照片(数据集:Celeb-A Face)后,我们将训练一个生成对抗网络(GAN)来产生新人脸。本文将对该实现进行详尽的解释,并阐明此模型的工作方式和原因。并不需要过多专业知识,但是可能需要新手花一些时间来理解的模型训练的实际情况。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1086168

模型部署


项目一:PaddleInference:模型部署快速入门

简介:本项目将以一个非常的简单的模型作为例子,讲解如何使用Paddle Inference部署推理模型。本项目代码基于Paddle2.0.0-rc0,其中Paddle Inference的API与之前1.x的版本有些许差异。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1204039

项目真实场景的模型部署请参考以下两个项目:


项目二:PaddleInference:风景图像动漫化模型AnimeGAN的推理部署:

简介:AnimeGAN是一个基于CartoonGAN改进的对抗生成网络来将现实世界场景照片进行动漫风格化的方法,一个更加轻量级的生成器架构,具有更小的模型大小,更少的计算量以及更快的推理速度。本项目将原始模型转换成Paddle模型,共转换了AnimeGAN v1和v2版本中开源的全部共九个模型权重。

链接

https://aistudio.baidu.com/aistudio/projectdetail/1201335


项目三:PaddleInference:人脸图像动漫化模型UGATIT推理部署:

简介:UGATIT是一种新的无监督图像到图像转换方法,能够实现将真实人像图像转换成动漫人脸图像或将动漫人脸图像转换成真实人像图像。本项目预训练模型来自UGATIT-paddle开源项目,只实现了真实人脸图像生成动漫人脸图像的模型部署。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1203992


项目四:目标检测模型部署示例合集

简介:模型部署是深度学习在产业落地的最后一公里。本文整理了基于飞桨的目标检测模型在服务端、移动端和树莓派上的部署示例,为各种工业部署场景提供解决方案示例。以下分专题说明项目内容。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1415201


项目五:服务端Serving部署系列-PaddleX:

简介:本文介绍了一种基于PaddleX的pp-yolo迁移学习,通过检测人员是否戴安全帽来提高工作安全度,加密模型并使用C++本地部署,同时提供HubServing在线部署实现。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/920753


项目六:安全帽佩戴检测模型训练与一键部署(PaddleX、HubServing)

简介:安全帽佩戴检测是计算机视觉在工业安全领域应用的典型场景,本文使用PaddleX进行yolov3_darknet53迁移学习训练,并提供了PaddleX实时视频流预测部署和PaddleHub-Serving服务化部署两种方式。只需数小时,即可完成一个效果良好的安全帽佩戴检测模型全流程部署。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/920753


项目七:服务端Serving部署系列-PaddleDetection:

简介:本文聚焦于纺织行业的布匹疵点智能检测场景,使用PaddleDetection中CascadeRCNN和YOLOv3的增强模型进行训练、预测,大幅提升预测速度,并提供了多种模型部署方式,使模型具备在工业场景的落地能力,以期为各种工业质检场景提供解决方案示例。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/532715


项目八:移动端PaddleLite部署系列-PaddleX

简介:该项目使用PaddleX快速训练垃圾分类模型,然后通过PaddleLite部署到华为Mate20 Pro手机上,实现飞桨框架深度学习模型的落地。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/613622


项目九:移动端PaddleLite部署系列-PaddleDetection:

简介:本文介绍了使用PaddleX对布匹瑕疵检测模型快速训练、使用Paddle-Lite将训练得到的工业质检模型快速部署到Android手机的方法。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/618168


项目十:树莓派PaddleLite部署系列-PaddleDetection:

简介:本项目介绍了在树莓派3B上安装Raspberry Pi OS 64位操作系统、组装树莓派小车、基于PaddleDetection+PaddleLite完成使用ssd_mobilenet_v1进行迁移学习的安全帽检测模型部署。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1059610


项目十一:巡检告警机器人上线!PaddleLite安全帽检测小车部署(二)

简介:本项目介绍了在树莓派3B上实现web端实时监控、控制LED灯与蜂鸣器报警的代码实现(C++、Python、C)。同时,将基于PaddleLite的安全帽检测模型与蜂鸣器报警结合,出现未佩戴安全帽的目标时,蜂鸣器会产生报警,并保存目标画面。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1209733


项目十二:部署PPDET训练的YoloV3模型:PaddleLite安全帽检测小车(三)

简介:本项目介绍了树莓派上基于PaddleDetection训练的yolov3安全帽检测部署、蜂鸣器报警功能的实现。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1292497


项目十三:树莓派PaddleLite部署系列-PaddleX

简介:本项目介绍了PaddleLite上自行编译的步骤、注意事项,以及 YoloV3安全帽检测模型在树莓派64位系统的部署,树莓派3B、4B通用。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1227445

Paddle的多方向应用


项目一:一文带你读懂图像超分辨率 RCAN

‍‍‍‍‍‍‍‍‍‍‍‍‍

简介:RCAN是一种单图像超分辨率(single image super-resolution)模型,由一幅低分辨率图像恢复出高分辨率图像。本教程基于Paddle2.0复现超分模型RCAN,使用的数据集是DIV2K,使用彩图训练,缩放倍数为4。可改为其他缩放倍数自行训练。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1165620


项目二:重磅来袭,平台首发,脊椎网络SpinalNet来了

简介:SpinalNet网络结构模仿人体的躯干神经系统,整个网络分为输入层、中间层和输出层。将输入分成多份数据,分别输入网络的输入层和中间层的多个隐藏层中,用来替代传统的DNN网络结构,这样可以有效避免梯度消失。同时,由于神经元的乘法数量较少,每层只接收部分输入数据,该网络结构的计算量较传统DNN更少,计算效率更高。本项目首次采用PaddlePaddle动态图实现了脊椎网络SpinalNet。并在宝石分类数据集上进行了验证。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/1067525


项目三:VisualDL2.0--让PaddleX的模型训练『看』的见!

简介:基于PaddleX实现螺母螺丝检测计数。使用VisualDL 2.0实现以下可视化内容:(1)查看训练样本的预处理和数据增强过程(2)查看训练过程中的指标变化(3)查看训练过程中的预测效果变化(3)查看参数分布直方图(4)查看验证集的准确率-召回率曲线

链接:

https://aistudio.baidu.com/aistudio/projectdetail/954530


项目四:基于PaddlePaddle的视频分类-ECO

简介:ECO 是视频分类领域经典的基于2D-CNN和3D-CNN融合的解决方案。该方法主要解决视频的长时间行为判断问题,通过稀疏采样视频帧的方式代替稠密采样,既能捕获视频全局信息,也能去除冗余降低计算量。最终将2D-CNN和3D-CNN融合后得到视频的整体特征用于分类。本代码实现的模型为基于单路RGB图像的ECO-full网络结构,2D-CNN采用修改后的Inception结构。3D-CNN采用裁剪后的3DResNet18结构。

链接

https://aistudio.baidu.com/aistudio/projectdetail/847310


项目五:胶囊神经网络Capsule Network

简介:Geoffrey Hinton(深度学习的开创者之一)的胶囊网络(Capsule Network)一经发布就震动了整个人工智能领域,它将卷积神经网络(CNN)的极限提升到一个新的水平。Capsule网络结构,不仅可以和卷积神经网络一样用来处理视觉问题,同样也可以应用到其他领域。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/657114


项目六:当字幕君的文档丢失了......

简介:不知道大家有喜欢的电影或者短视频吗,大家有喜欢的某一个情节吗,大家有喜欢的字幕吗?你是否还在用截图的方式识别视频里的字幕?你是否还在一个字一个字地敲字幕?快来试试这款字幕提取器吧!上传需要提取的视频,自动将你的视频切割为图片,识别出你的字幕!确定不来试试吗?

链接:

https://aistudio.baidu.com/aistudio/projectdetail/751309


项目七:一文带你走进无监督学习之自动编码器

简介:自动编码器(AutoEncoder)是神经网络的一种,一般来讲自动编码器包括两部分:编码器和解码器,编码器和解码器相互串联合作,实现数据的降维或特征学习,现在也广泛用于生成模型中。本文将带你了解4种自动编码器的工作原理和实现。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/757527


项目八:音频分类:英文数字语音分类

简介:卷积神经网络不仅能进行图片分类,也能用在音频分类之上,本项目通过一个简单的项目(英文数字语音分类)来演示如何使用卷积神经网络来对音频进行分类

链接:

https://aistudio.baidu.com/aistudio/projectdetail/797250


项目九:PaddleSlim压缩OCR模型项目实战

简介:PaddleSlim是一个模型压缩工具库,包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略。本文利用PaddleSlim对PaddleOCR模型进行压缩,打造轻量级OCR模型。

链接:

https://aistudio.baidu.com/aistudio/projectdetail/898523

好啦,本次的AI Studio冬季特刊(三)到这里就结束啦,对项目感兴趣的小伙伴快快fork学起来吧~

精彩预告!!!

为了让大家能够持续高效的学习,后续小编将推出AI Studio精选项目半月刊,大家想了解哪方面的内容可以在帖子下留言,小编整理项目时会重点寻找滴,请大家持续关注哦~


福利来喽~ 认真学习还有奖品拿(社区活动)

每次的项目推荐我们总会想着给认真学习的同学送点啥,这次当然也不例外啦!

本次依然是fork学习项目写心得,就有机会获得膳魔师保温杯、蝴蝶不倒杯、Paddle联名短袖、Paddle联名移动电源、为期1个月的百度网盘超级会员以及100小时的Tesla V100算力等精美礼物~

活动时间:2020.12.28-2021.01.28(每周抽一次奖)

活动参与方式:

https://ai.baidu.com/forum/topic/show/980948

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础,是中国首个开源开放、技术领先、功能完备的产业级深度学习平台,包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件,持续开源核心能力,为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台,针对企业级需求增强了相应特性,包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业,提供零门槛、预置丰富网络和模型、便捷高效的开发平台;BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。


扫描二维码 | 关注我们

微信号 : PaddleOpenSourc

本文同步分享在 博客“飞桨PaddlePaddle”(CSDN)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部