Caffe | Derin Öğrenme Yapısı

Caffe derin öğrenme yapısı hızlı ve modüler olacak şekilde tasarlanmıştır. Berkeley Vision and Learning Center – BVLC (Berkeley Görüntü ve Öğrenme Merkezi) ve kullanıcı topluluğu tarafından geliştirilmiştir. Yangqing Jia tarafından UC Berkeley’de doktora döneminde hazırlanmıştır. Caffe BSD 2-Clause license altında kullanıma sunulmuştur.

Resim sınıflandırma demosu için tıklayın.

Neden Caffe?

İfade Yapısı yeni ve farklı fikirlerin yada uygulamaların ortaya atılmasını cesaretlendirmektedir. Model ve optimizasyonlar kodlama yapılmaksızın ayar dosyası üzerinden yapılabilmektedir. GPU makine üzerinde eğitim işlemini yapmak için CPU ve GPU değişimi bir etiket ayarı ile gerçekleştirilebilmekte böylece küme bilgisayarlara veya mobil cihazlara yayılım sağlanabilmektedir.

Genişletilebilir kod yapısı aktif geliştirmeyi desteklemektedir. Caffe’nin ilk yılında, 1.000 geliştirici tarafından birçok önemli değişiklik katkısı sağlanmıştır. Hem kod hem de model olarak modern bir yapının tesis edilmesine katkı sağlayanlara teşekkür ederiz.

Hız Caffe’nin araştırma deneyimleri ve endüstri uygulamaları için mükemmel hale getirmiştir. Caffe bir tek NVIDIA K40 GPU* işlemciyle 60 Milyonun üzerinde resmi bir günde işleyebilir.  Bu da anlam çıkarma için 1 ms/resim, öğrenme için 4 ms/resim demektir. Şuna inanıyoruz ki Caffe erişilebilir en hızlı convnet uygulamasıdır.

Topluluk: Caffe hali hazırda akademik araştırma projelerine, girişim prototiplerine ve hatta geniş ölçekli görüntü alanındaki endüstriyel uygulamalar ile konuşma ve multimedyaya güç katmaktadır. Topluluğumuza katılmak için caffe-kullanıcı grubu ve  Github sayfalarını ziyaret edebilirsiniz.

* ILSVRC2012-kazananı SuperVision modeli ve IO önbellekleme. Performans detayları için tıklayınız.

Dokümantasyon

• Caffe ile Görüntü için Deep Learning Kullanımı (DIY Deep Learning for Vision with Caffe)
  Öğretici sunum.
• Öğretici Dokümantasyon
  Pratik rehber ve yapı referansı.
• arXiv / ACM MM ‘14 raporu
  ACM Multimedya Açık Kaynak yarışması için 4 sayfalık rapor (arXiv:1408.5093v1).
• Kurulum Kılavuzu
  Ubuntu, Red Hat, OS X’de test edildi.
• Model Zoo
  BVLC suggests a standard distribution format for Caffe models, and provides trained models.
• Developing & Contributing
  Caffe’yi geliştirmek ve katkı sağlamak içn rehber.
• API Dokümantasyonu
  Kod yorumlarından otomatik oluşturulmuş geliştirici dokümanı.

Örnekler

• ImageNet dersi
  “CaffeNet”i ImageNet verisi üzerinde eğitme ve test etme.
• LeNet MNIST dersi
  MNIST el yazısı dijital verisi üzerinde “LeNet”i eğitme ve test etme.
• CIFAR-10 dersi
  CIFAR-10 verisi üzerinde Caffe’yi eğitme ve test etme.
• Sitil tanıma için ince ayar yapma
  “Flickr Sitili” veri seti üzerinde ImageNet-eğitimli CaffeNet’e ince ayar yapma .
• Feature extraction with Caffe C++ code.
  Caffe olanaklarını kullanarak CaffeNet / AlexNet özelliklerini ayıklama.
• Web demo
  Flask web sunucusu üzerinde çalışan resim sınıflandırma demosu.
• Siamese Network Dersi
  MNIST verisi üzerinde bir siamese networkü eğitme ve test etme

Notebook Örnekleri

• ImageNet sınıflandırma
  Önceden eğitilmiş ImageNet modelini kullanarak Python arayüzü ile resim sınıflandırma.
• Filtre görselleştirme
  Örnek bir resimle özellik çıkarma ve eğitilmiş filtreleri görselleştirme, katman katman gözden geçirilmiş.
• R-CNN tespit etme (detection)
  Python’da detektör olarak önceden eğitilmiş bir model çalıştırma.
• Sınıflandırma için hazır SGD
  Resimsiz HDF5 verisi üzerinde lojistik regresyon eğitimi yapmak için  genel SGM en iyileyici olarak Caffe kullanma.
• Model parametrelerini düzenleme
  How to do net surgery and manually change model parameters, making a fully-convolutional classifier for dense feature extraction.
• Gömülü Siamese ağ
  Özellik çıkarma ve gömülü Siamese ağ çizme.