quickai

QuickAI 项目介绍

项目概述

QuickAI 是一个用 Python 编写的库，旨在让用户轻松地进行前沿机器学习模型的实验。通过简化代码量，它使得快速试验和原型制作变得更加直接和高效。用户无需编写大量的样板代码即可测试多个流行的深度学习模型。

背景动机

该项目的创建灵感源自作者在探索高级机器学习架构时的体验。尽管这些著名的神经网络架构（例如 EfficientNet 等）表现出色，但实际将其应用到具体问题上并不容易。因此，QuickAI 应运而生，它为实现这些模型提供了更为便捷的方式。

依赖项和 Docker 支持

QuickAI 需要包括 TensorFlow、PyTorch、Sklearn、Matplotlib、Numpy 和 Hugging Face Transformers 在内的多种依赖库。为了简化安装步骤，QuickAI 提供了 Docker 镜像，用户可以通过 Docker 容器来规避繁琐的依赖配置。

使用 Docker

• 拉取 Docker 镜像：docker pull geekjr/quickai
• 运行镜像：
  • 对于 CPU 用户，直接运行：docker run -it geekjr/quickai bash
  • 对于 GPU 用户，加上 --gpus all 选项即可：docker run --gpus all -it geekjr/quickai bash

优势与功能

QuickAI 的主要优势在于极大减少了用户侧的代码编写工作。例如，面对如 EfficientNet 这样的复杂模型，在没有 QuickAI 的情况下，用户需要手动编写数据加载、预处理、模型定义和训练的代码，而使用 QuickAI 后，只需 1-2 行代码即可完成相同的任务。

支持的模型

QuickAI 目前支持以下模型：

图像分类

• EfficientNet B0-B7
• VGG16、VGG19
• DenseNet121、DenseNet169、DenseNet201
• Inception ResNet V2、Inception V3
• MobileNet、MobileNet V2、MobileNet V3 Small & Large
• ResNet 101、ResNet 101 V2、ResNet 152、ResNet 152 V2、ResNet 50、ResNet 50 V2
• Xception

自然语言处理

• GPT-NEO 系列（包括 125M、350M、1.3B、2.7B）
• GPT-J 6B
• Distill BERT 系列（支持问答、实体识别、情感分析等功能）
• Distil BART（用于文本摘要）

目标检测

• YOLOV4、YOLOV4 Tiny

安装与使用

用户可以通过以下命令轻松安装 QuickAI：

pip install quickAI

使用方面，可以参考项目的示例文件夹以获取详细指引。对于 YOLOV4 模型，用户可以从提供的链接下载权重。

问题与反馈

在使用 QuickAI 过程中，如遇任何问题或有疑问，请通过项目的讨论区进行交流，如果是 bug，可以直接开启新的 issue 以帮助开发者进行修正。

致谢

大部分 YOLO 实现的代码来自 “The AI Guy”的 tensorflow-yolov4-tflite 和 YOLOv4-Cloud-Tutorial 仓库，感谢他们的贡献，这为实现 YOLO 模型提供了重要帮助。