Android Neural Networks API – https://android-developers.googleblog.com/2020/11/android-neural-networks-api-13.html AndroidPytorch Demo https://pytorch.org/mobile/android/
Blog Archives
Интересные технологии и девайсы VisionLabs в области ИИ (по материалам презентации Ханина на конференции SberCloud)
Команда VisionLabs одна из самых быстро растущих и перспективных компаний России в области ИИ. Сайт у них не отражает всей интересной информации, поэтому информация часто попадается в профильных чатах, конференциях и других событиях. Сегодня состоялась конференция Data Science&Cloud , организованная командой SberCloud. Соответственно, появилась новая порция информации о интересных девайсах команды VisionLabs. Решение явно...
Медицинские датасеты
Некоторые датасеты медицинской направленности: Датасет болезней сердца — эта база данных содержит 76 атрибутов, таких как возраст, пол, тип боли в груди, артериальное давление в покое и другие. Рентгенография грудной клетки (пневмония) — 5,863 изображения, 2 категории. Звуки сердцебиения — классификация аномалий сердцебиения по стетоскопу. Изображения клеток крови — 12 500 изображений: 4 разных...
Understanding the mAP metrics for Object Detection
https://medium.com/@timothycarlen/understanding-the-map-evaluation-metric-for-object-detection-a07fe6962cf3 To understand the AP, it is necessary to understand the precision and recall of a classifier. For a more comprehensive explanation of these terms, the wikipedia article is a nice place to start. Briefly, in this context, precision measures the “false positive rate” or the ratio of true object detections to the total...
Advices for Image resolution for dataset trainings
https://www.quora.com/To-what-resolution-should-I-resize-my-images-to-use-as-training-dataset-for-deep-learning t really depends on the size of your network and your GPU. You need to fit reasonably sized batch (16-64 images) in gpu memory. That can easily be very big: you can compute the size of intermediate activations as 4*batch_size*num_feature_maps*height*width. Say you take 32 square images 112×112 with 64 feature maps. It would...
How to install Tensorflow on Odroid-HC1
Odroid -HC1 неплохая плата с восьмиядерным процессором, прежде всего предназначенная для NAS серверов. Но с такими характеристиками ее грех не попробовать поиспользовать для машинного обучения вместе с Tensorflow Ее характеристки: Установить Tensorflow не так просто – нет официальной поддержки платы релизами TF. Статья, как поставить TF -на Medium
AWS DeepRacer – проект для разработчиков автономных автомобилей от Amazon
Amazon стартует в марте 2019 года новый проект по вовлечению кодеров в сервисы своего облака в формате увлекательной игры с устройством за $400 и в целом достаточно серьезной начинкой для этой цены, включая глубокую интеграцию с платформой машинного обучения. Ссылка на проект
How to train own dataset with Tensorflow and Google Colab
Google Colab has very good functionality from the box – train dataset with K80 GPU or TPU. we have prepared Ipython notebook how to do it.
LabelImg – удобное средство разметки графического файла для создания датасета обучения
Labelimg вместе с исходными кодами лежит на Github и содержит полную информацию, как его устанавливать в различных системах и как им пользоваться. Этот редактор выбрали, так как разметка идет на разных машинах (Linux, Windows) и есть задача обеспечить конфиденциальность данных (графических картинок) и получившихся размеченных данных.
Fastwell делает встраиваемые системы в формате PC/104 (Сэндвич)
Российская компания Fastwell выпустила процессорный модуль СЗС313 на базе процессора Baikal-T1. Двухъядерный процессор Baikal-T с тактовой частотой 1,2 ГГц Напаянная оперативная память DDR3-1600 SDRAM 4 Гбайт с ECC Видео порты Analog RGB (до 1920 x 1080 @ 50 Гц) и LVDS (18 / 24 бит, до 1366 х 768 @ 60 Гц) SATA...