Deci می خواهد به شرکت ها کمک کند تا مدل های بینایی کامپیوتری را سریعتر بسازند

Deci، یک استارت‌آپ اسرائیلی که به شرکت‌ها در ساخت، بهینه‌سازی و استقرار هوش مصنوعی در تولید کمک می‌کند، امروز SuperGradients را معرفی کرد – یک کتابخانه یکپارچه Python برای کمک به ساخت و آموزش مدل‌های یادگیری عمیق برای رایج‌ترین وظایف بینایی رایانه.

توسعه دهندگان هوش مصنوعی سازمانی اغلب برای توسعه و استقرار مدل های یادگیری عمیق آماده تولید تلاش می کنند. هزینه های سربار ادغام با ابزارهای آموزشی مختلف موجود و تلاش برای بازتولید نتایج آموزشی برای مدل های پیشرفته زمان بر است و باعث ایجاد سردرد برای مبتدیان و متخصصان می شود. چالش های مختلف بر کل فرآیند تأثیر می گذارد، از جمله داده ها و انتخاب معماری مدل.

تیم‌ها در حین توسعه مدل‌های یادگیری عمیق، در تلاش برای دستیابی به بهترین نتایج دقت، اغلب با تکرار آزمون و خطای بی‌پایان مواجه می‌شوند، زیرا سعی می‌کنند بهترین معماری را برای مورد استفاده خود بیابند و پارامترها و وزن‌های بهینه را تعیین کنند (از جمله آموزش‌های دیگر). مولفه های). یوناتان گایفمن، یکی از بنیانگذاران و مدیر عامل Deci، این امر باعث می شود که آنها از مخازن آموزشی مختلف عبور کنند (که اغلب از نظر وظایفی که پشتیبانی می کنند دارای محدوده محدودی هستند) و زمان و تلاش زیادی را صرف تلاش برای ادغام مدل های مختلف در پایگاه کد خود می کنند. به Venturebeat گفت.

SuperGradients برای بینایی کامپیوتر

برای حل این چالش ها، SuperGradients، یک کتابخانه منبع باز که توسط متخصصان یادگیری عمیق Deci توسعه یافته است، طیف گسترده ای از مدل های یادگیری عمیق از پیش آموزش دیده را ارائه می دهد که در محیط های تولیدی برای بینایی رایانه آزمایش شده اند. با استفاده از این مدل ها در یک مکان، توسعه دهندگان دیگر نیازی به هدر دادن زمان برای بررسی مخازن ندارند. آنها به سادگی می توانند آنها را با پایه کد خود ادغام کرده و آنها را برای دستیابی سریعتر به نتایج بهتر تنظیم کنند.

مزیت بزرگ SuperGradients این است که توسعه آسان طیف گسترده ای از مدل های از پیش آموزش دیده را در تمام وظایف اصلی بینایی کامپیوتر با استفاده از چند خط کد امکان پذیر می کند. گیفمن گفت: این مدل‌های از پیش آموزش‌دیده بهترین شیوه‌ها و فراپارامترهای معتبر برای دستیابی به بهترین دقت در کلاس را در خود جای داده‌اند.

او افزود: «همه مدل‌های SuperGradients آماده تولید هستند، به این معنا که با ابزارهای استقرار مانند TensorRT (Nvidia) و OpenVino (Intel) سازگار هستند و می‌توان آن‌ها را به راحتی وارد تولید کرد.

علاوه بر همه مدل‌های رایج مورد استفاده و فراپارامترهای plug & play برای آموزش، مجموعه داده‌ها و معماری، این کتابخانه همچنین دستور العمل‌های آموزشی را ارائه می‌کند که عملکرد بهتری از دیگر کتابخانه‌های آموزشی دارند، و همچنین نمونه‌های کد برای طیف گسترده‌ای از مدل‌های بینایی کامپیوتری برای حذف عدم قطعیت و کوتاه شدن چرخه عمر تمرین

«مدل‌های داخلی SuperGradients و پارامترهای فوق‌العاده به پزشکان این امکان را می‌دهد تا به راحتی نتایج آموزشی را برای مدل‌های پیشرفته بازتولید کنند و آن‌ها را برای موارد استفاده و داده‌های خود تطبیق دهند. گیفمن گفت: تکرارپذیری کلیدی است و داشتن یک مخزن پایدار که به راحتی می تواند در یک پایگاه کد شرکت ادغام شود و نتایج آموزشی را در هر زمان بازتولید کند، یک مزیت بزرگ است.

نتایج

به گفته شرکت هایی که به توسعه SuperGradients کمک کردند، کتابخانه نه تنها چرخه توسعه آنها را کوتاه کرد، بلکه به بازتولید مدل های پیشرفته با دقت کمک کرد که نتایج ارائه شده توسط سایر کتابخانه های آموزشی یا مقالات آکادمیک را بهتر انجام داد. به عنوان مثال، در SuperGradients، می توان یک مدل تقسیم بندی معنایی پیدا کرد که دقت گزارش شده را تا 1.5٪ بهبود می بخشد.

برای Deci، این سومین اعلامیه مهم در ماه های اخیر است. در ماه اکتبر، این شرکت 21.1 میلیون دلار بودجه سری A برای گسترش عملیات فروش، بازاریابی و خدمات خود جمع آوری کرده بود. پیش از آن، برای بهینه‌سازی یادگیری ماشینی روی پردازنده‌های این شرکت، با اینتل شریک شده بود. به طور کلی، سرمایه جذب شده توسط Deci بیش از 30 میلیون دلار است.

طبق تحقیقات بازار متفقین، پیش‌بینی می‌شود که بازار جهانی این فناوری تا سال 2030 به 41.11 میلیارد دلار برسد و نرخ رشد سالانه ترکیبی آن 16 درصد باشد.