Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Windows ML admite una amplia variedad de modelos ONNX para diferentes escenarios de inteligencia artificial. En esta página se proporcionan ejemplos para usar Windows ML desde diferentes marcos y lenguajes, así como ejemplos de modelos listos para usar para tareas comunes de inteligencia artificial.
Ejemplos de Runtime, Generación de texto y Speech Recognition API
El catálogo de ejemplo experimental Windows ML incluye ejemplos nativos de C++ y Python para la API runtime de nivel inferior y las API de generación de texto y reconocimiento de voz de nivel superior. Los ejemplos en tiempo de ejecución muestran la carga explícita de modelos, la vinculación de tensores, la ejecución de pipelines, la compilación del modelo y los bucles de modelo de lenguaje con estado. Los otros ejemplos se basan en los mismos objetos Runtime para mostrar la generación de texto, el reconocimiento automático de voz de Whisper, los resultados de streaming y la composición directa a partir de una transcripción en un prompt de generación de texto. Los ejemplos nativos también muestran cómo realizar una cancelación.
Utilice los ejemplos de tiempo de ejecución cuando necesite controlar cada etapa del modelo u operación de tensor. Utiliza los ejemplos de Generación de texto o Reconocimiento de voz cuando desees que la aplicación proporcione canalizaciones de tiempo de ejecución compatibles mientras la API coordina un flujo de trabajo de ML compatible. Para conocer la relación entre las capas, consulta Generar texto con tu propio modelo de lenguaje mediante Windows ML y Reconocer voz con tu propio modelo de Whisper mediante Windows ML.
Galería de desarrollo de IA
La Galería de desarrollo de IA es la manera más fácil de explorar ejemplos de Windows ML. Proporciona:
- Demostraciones interactivas para cada escenario de modelo
- Código fuente completo para cada ejemplo
- Exportar con un solo clic a un proyecto de Visual Studio para que pueda usar el modelo en su propia aplicación.
Sugerencia
Cada ejemplo de modelo de la Galería de desarrollo de IA incluye código fuente completo. Use la característica Exportar a Visual Studio para crear rápidamente un proyecto de trabajo con el modelo elegido.
Ejemplos de integración de marcos
El repositorio ejemplos del SDK de aplicaciones de Windows en GitHub contiene aplicaciones de ejemplo que muestran cómo integrar Windows ML en distintos lenguajes y marcos.
| Language | Marco de referencia | Tipo de empaquetado | Tipo de dependencia | Link |
|---|---|---|---|---|
| C# | Console | Desempaquetado | Dependiente del marco de trabajo | Vínculo |
| C# | WPF (Windows Presentation Foundation) | Desempaquetado | Dependiente del marco de trabajo | Vínculo |
| C# | WinUI | MSIX | Dependiente del marco de trabajo | Vínculo |
| C# | WinForms | Desempaquetado | Dependiente del marco de trabajo | Vínculo |
| C++ WinRT | Console | DLL con EXE independiente | Dependiente del marco de trabajo | Vínculo |
| C++ WinRT | Console | Desempaquetado | Autónomo | Vínculo |
| C++ WinRT | Console | MSIX | Dependiente del marco de trabajo | Vínculo |
| C++ CMake | Console | Desempaquetado | Autónomo | Vínculo |
| Pitón | Console | Desempaquetado | Dependiente del marco de trabajo | Vínculo |
Para obtener el inventario completo de ejemplo de ml de Windows, consulte la carpeta WindowsML en el repositorio de ejemplos de SDK de Aplicaciones para Windows.
Ejemplos de modelos por escenario
En las secciones siguientes se enumeran los modelos disponibles para cada escenario de IA, junto con su tamaño y compatibilidad con hardware. Haga clic en "Pruébelo usted mismo" para abrir el ejemplo en la aplicación ai Dev Gallery.
Modelos de lenguaje grande (LLM): generación de texto
Genere respuestas de texto conversacional mediante modelos de lenguaje de última generación.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| Phi 4 Mini CPU | Unidad Central de Procesamiento (CPU) | 4,6 GB |
| Phi 3.5 Mini CPU ACC4 | Unidad Central de Procesamiento (CPU) | 2,6 GB |
| Phi 3 Mini CPU | Unidad Central de Procesamiento (CPU) | 2,5 GB |
| Phi 3 Mini CPU ACC4 | Unidad Central de Procesamiento (CPU) | 2,5 GB |
| Phi 3 CPU Medio ACC4 | Unidad Central de Procesamiento (CPU) | 8,6 GB |
| Mistral 7B Instruct 0.2 CPU | Unidad Central de Procesamiento (CPU) | 4,6 GB |
| Mistral 7B Instruct 0.2 CPU ACC4 | Unidad Central de Procesamiento (CPU) | 4,6 GB |
Modelos de lenguaje grande (LLM): multi modal
Analice imágenes y genere descripciones de texto mediante modelos de lenguaje habilitados para visión.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| Phi 3 Vision CPU | Unidad Central de Procesamiento (CPU) | 3,0 GB |
| Phi 3.5 Vision CPU | Unidad Central de Procesamiento (CPU) | 3,0 GB |
Inserción de texto (búsqueda semántica)
Convierta texto en incrustaciones vectoriales para la búsqueda semántica y la coincidencia de similitud.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| all-MiniLM-L12-v2 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 127,2 MB |
| all-MiniLM-L6-v2 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 86,4 MB |
Generación de imágenes
Cree imágenes a partir de mensajes de texto mediante modelos de difusión.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| Difusión estable v1.4 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 5,1 GB |
Clasificación de imágenes
Clasificar imágenes en categorías predefinidas.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| MobileNet v2 1.0 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 13,3 MB |
| ResNet101 v1 7 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 170,6 MB |
| ResNet50 v1 7 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 97,8 MB |
| SqueezeNet 1.1 | CPU, GPU, NPU | 4,7 MB |
Detección de objetos de imagen
Detecte y busque objetos dentro de las imágenes.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| RCNN 10 más rápido | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 159,6 MB |
| RCNN 12 más rápido | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 168,5 MB |
| YOLOv4 | CPU (Unidad Central de Proceso), GPU (Unidad de Procesamiento Gráfico) | 245,5 MB |
Segmentación de imágenes (detección de fondo)
Separe los temas en primer plano de los fondos de las imágenes.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| SINet | CPU, GPU, NPU | 404.7 KB |
Detección de la posición humana
Detecte las posturas del cuerpo humano y los puntos clave en las imágenes.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| Posición de HRNet | CPU, GPU, NPU | 108,9 MB |
Segmentación de calles
Segmentar fotografías de calle en zonas detectables para aplicaciones de conducción y cartografía autónomas.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| FFNet 78s | CPU, GPU, NPU | 104,9 MB |
| FFNet 54s | CPU, GPU, NPU | 68,8 MB |
Detección de caras
Detectar y localizar caras humanas en imágenes.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| FaceDetLite | CPU, GPU, NPU | 3,4 MB |
Transcripción de audio (voz a texto)
Convierta el audio hablado en texto escrito mediante modelos de reconocimiento de voz.
Pruébelo en la aplicación ai Dev Gallery
| Modelo | Equipamiento | Tamaño |
|---|---|---|
| Whisper Tiny CPU | Unidad Central de Procesamiento (CPU) | 73,8 MB |
| Whisper Small CPU | Unidad Central de Procesamiento (CPU) | 422,5 MB |
| Whisper Medium CPU | Unidad Central de Procesamiento (CPU) | 1,3 GB |