Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Das Windows-Machine-Learning Repository auf GitHub enthält Beispielanwendungen, die die Verwendung von Windows Machine Learning veranschaulichen, sowie Tools, die bei der Überprüfung von Modellen und der Problembehandlung während der Entwicklung helfen.
Beispiele
Die folgenden Beispielanwendungen sind auf GitHub verfügbar.
| Name | BESCHREIBUNG |
|---|---|
| AdapterSelection (Win32 C++) | Eine Desktopanwendung, die veranschaulicht, wie Sie einen bestimmten Geräteadapter für die Ausführung Ihres Modells auswählen. |
| Batch-Unterstützung | Zeigt, wie Eingabebatches mit Windows ML gebunden und ausgewertet werden. |
| Beispiel für benutzerdefinierte Operatoren (Win32 C++) | Eine Desktopanwendung, die mehrere benutzerdefinierte CPU-Operatoren definiert. Eine davon ist ein Debug-Operator, den Sie in Ihren eigenen Workflow integrieren können. |
| Benutzerdefinierte Tensorisierung (Win32 C++) | Zeigt, wie ein Eingabebild mithilfe der Windows ML-APIs sowohl auf der CPU als auch auf der GPU tensorisiert wird. |
| Custom Vision (UWP C#) | Zeigt, wie ein ONNX-Modell in der Cloud mithilfe von Custom Vision trainiert und mit Windows ML in eine Anwendung integriert wird. |
| Emoji8 (UWP C#) | Zeigt, wie Sie Windows ML verwenden können, um eine unterhaltsame Anwendung zur Emotionserkennung zu unterstützen. |
| FNS-Stilübertragung (UWP C#) | Verwendet das Übertragungsmodell im FNS-Candy-Stil, um Bilder oder Videostreams neu zu formatieren. |
| MNIST (UWP C#/C++) | Entspricht Tutorial: Erstellen einer Windows Machine Learning-UWP-Anwendung (C#). Beginnen Sie mit einer Basis, und arbeiten Sie das Tutorial durch, oder führen Sie das abgeschlossene Projekt aus. |
| NamedDimensionAußerkraftsetzungen | Veranschaulicht, wie benannte Dimensionen in konkrete Werte überschrieben werden, um die Modellleistung zu optimieren. |
| PlaneIdentifier (UWP C#, WPF C#) | Verwendet ein vortrainiertes Machine Learning-Modell, das mit dem Custom Vision-Dienst in Azure generiert wurde, um zu erkennen, ob das angegebene Bild ein bestimmtes Objekt enthält: eine Ebene. |
| RostSqueezeNet | Rust-Projektion von WinRT mit SqueezeNet. |
| SqueezeNet-Objekterkennung (Win32 C++, UWP C#/JavaScript, . NET5, . NETCORE) | Verwendet SqueezeNet, ein vortrainiertes Modell für maschinelles Lernen, um das vorherrschende Objekt in einem Bild zu erkennen, das der Benutzer aus einer Datei ausgewählt hat. |
| SqueezeNet Object Detection (Azure IoT Edge unter Windows, C#) | Dies ist ein Beispielmodul, das zeigt, wie Windows ML-Rückschlüsse in einem Azure IoT Edge-Modul ausgeführt werden, das unter Windows ausgeführt wird. Bilder werden von einer verbundenen Kamera bereitgestellt, anhand des SqueezeNet-Modells abgeleitet und an IoT Hub gesendet. |
| StreamFromResource | Zeigt, wie eine eingebettete Ressource, die ein ONNX-Modell enthält, in einen Stream konvertiert wird, der an den LearningModel-Konstruktor übergeben werden kann. |
| StyleTransfer (C#) | Eine UWP-App, die die Stilübertragung für vom Benutzer bereitgestellte Eingabebilder oder Webcam-Streams ausführt. |
| winml_tracker (ROS C++) | Ein ROS-Knoten (Robot Operating System), der Windows ML verwendet, um Personen (oder andere Objekte) in Kamerabildern zu verfolgen. |
Hinweis
Verwenden Sie die folgenden Ressourcen, wenn Sie Hilfe mit Windows ML benötigen:
- Wenn Sie technische Fragen zu Windows ML stellen oder beantworten möchten, verwenden Sie das Tag windows-machine-learning auf Stack Overflow.
- Um einen Fehler zu melden, geben Sie bitte einen Fehlerbericht auf unserem GitHub ab.