Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Windows ML ondersteunt een groot aantal ONNX-modellen voor verschillende AI-scenario's. Deze pagina bevat voorbeelden voor het gebruik van Windows ML vanuit verschillende frameworks en talen, evenals kant-en-klare modelvoorbeelden voor algemene AI-taken.
Voorbeelden van runtime-, tekstgeneratie- en spraakherkennings-API's
De experimentele Windows ML-voorbeeldcatalogus bevat systeemeigen C++ en Python voorbeelden voor de runtime-API op lager niveau en de api's voor het genereren van tekst en spraakherkenning op een hoger niveau. Runtimevoorbeelden tonen expliciet laden van modellen, tensorbinding, pijplijnuitvoering, modelcompilatie en stateful taalmodellussen. De andere voorbeelden bouwen voort op dezelfde Runtime-objecten om tekstgeneratie te demonstreren, Whisper automatische spraakherkenning, streamingresultaten en directe samenstelling van een transcript in een prompt voor het genereren van tekst. In de systeemeigen voorbeelden wordt ook annuleren gedemonstreerd.
Gebruik de runtimevoorbeelden wanneer u elke modelfase of tensor-bewerking wilt beheren. Gebruik de voorbeelden voor het genereren van tekst of spraakherkenning wanneer u wilt dat de app compatibele Runtime-pijplijnen biedt terwijl de API een ondersteunde ML-werkstroom coördineert. Zie Tekst genereren met uw eigen taalmodel met behulp van Windows ML en Spraak herkennen met uw eigen Whisper-model met behulp van Windows ML voor de relatie tussen de lagen.
AI Ontwikkelaarsgalerij
De AI Dev Gallery is de eenvoudigste manier om Windows ML-voorbeelden te verkennen. Het biedt:
- Interactieve demo's voor elk modelscenario
- Volledige broncode voor elk voorbeeld
- Exporteren met één klik naar een Visual Studio-project, zodat u het model in uw eigen app kunt gebruiken
Aanbeveling
Elk modelvoorbeeld in de AI Dev Gallery bevat volledige broncode. Gebruik de functie Exporteren naar Visual Studio om snel een werkproject te maken met uw gekozen model.
Voorbeelden van frameworkintegratie
De opslagplaats voorbeelden van Windows App SDK op GitHub bevat voorbeeldtoepassingen die laten zien hoe u Windows ML integreert in verschillende talen en frameworks.
| Language | Raamwerk | Verpakkingstype | Afhankelijkheidstype | Link |
|---|---|---|---|---|
| C# | Console | Uitgepakt | Framework-afhankelijk | Verbinden |
| C# | WPF | Uitgepakt | Framework-afhankelijk | Verbinden |
| C# | WinUI | MSIX | Framework-afhankelijk | Verbinden |
| C# | WinForms | Uitgepakt | Framework-afhankelijk | Verbinden |
| C++ WinRT | Console | DLL met afzonderlijke EXE | Framework-afhankelijk | Verbinden |
| C++ WinRT | Console | Uitgepakt | Zelfstandig | Verbinden |
| C++ WinRT | Console | MSIX | Framework-afhankelijk | Verbinden |
| C++ CMake | Console | Uitgepakt | Zelfstandig | Verbinden |
| Python | Console | Uitgepakt | Framework-afhankelijk | Verbinden |
Zie de map WindowsML in de opslagplaats Windows App SDK Samples voor de volledige Windows ML-voorbeeldinventaris.
Modelvoorbeelden per scenario
De volgende secties bevatten beschikbare modellen voor elk AI-scenario, samen met hun grootte en hardwareondersteuning. Klik op 'Probeer het zelf' om het voorbeeld te openen in de AI Dev Gallery-app.
Grote taalmodellen (LLM's) - Tekstgeneratie
Genereer antwoorden op gespreksteksten met behulp van geavanceerde taalmodellen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| Phi 4 Mini CPU | CPU (Centrale Verwerkings Eenheid) | 4,6 GB |
| Phi 3.5 Mini CPU ACC4 | CPU (Centrale Verwerkings Eenheid) | 2,6 GB |
| Phi 3 Mini CPU | CPU (Centrale Verwerkings Eenheid) | 2,5 GB |
| Phi 3 Mini CPU ACC4 | CPU (Centrale Verwerkings Eenheid) | 2,5 GB |
| Phi 3 Medium CPU ACC4 | CPU (Centrale Verwerkings Eenheid) | 8,6 GB |
| Mistral 7B Instruct 0.2 CPU | CPU (Centrale Verwerkings Eenheid) | 4,6 GB |
| Mistral 7B Instructie 0.2 CPU ACC4 | CPU (Centrale Verwerkings Eenheid) | 4,6 GB |
Grote taalmodellen (LLM's) - Multimodaal
Analyseer afbeeldingen en genereer tekstbeschrijvingen met behulp van taalmodellen met visuele functionaliteit.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| Phi 3 Vision CPU | CPU (Centrale Verwerkings Eenheid) | 3,0 GB |
| Phi 3.5 Vision CPU | CPU (Centrale Verwerkings Eenheid) | 3,0 GB |
Tekst insluiten (semantische zoekopdracht)
Tekst converteren naar vector-insluitingen voor semantische zoekopdrachten en overeenkomsten.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| all-MiniLM-L12-v2 | CPU, GPU | 127,2 MB |
| all-MiniLM-L6-v2 | CPU, GPU | 86,4 MB |
Afbeeldingsgeneratie
Afbeeldingen maken op basis van tekstprompts met behulp van diffusiemodellen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| Stabiele diffusie v1.4 | CPU, GPU | 5,1 GB |
Afbeeldingsclassificatie
Afbeeldingen classificeren in vooraf gedefinieerde categorieën.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| MobileNet v2 1.0 | CPU, GPU | 13,3 MB |
| ResNet101 v1 7 | CPU, GPU | 170,6 MB |
| ResNet50 v1 7 | CPU, GPU | 97,8 MB |
| SqueezeNet 1.1 | CPU, GPU, NPU | 4,7 MB |
Detectie van afbeeldingsobjecten
Objecten in afbeeldingen detecteren en zoeken.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| Snellere RCNN 10 | CPU, GPU | 159,6 MB |
| Snellere RCNN 12 | CPU, GPU | 168,5 MB |
| YOLOv4 | CPU, GPU | 245,5 MB |
Afbeeldingssegmentatie (achtergronddetectie)
Scheid onderwerpen op de voorgrond van achtergronden in afbeeldingen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| SINet | CPU, GPU, NPU | 404,7 KB |
Detectie van menselijke houding
Detecteer houdingen van menselijk lichaam en belangrijke punten in afbeeldingen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| HRNet Pose | CPU, GPU, NPU | 108,9 MB |
Segmentatie van straat
Segmenteer straatfoto's in detecteerbare zones voor autonome rij- en toewijzingstoepassingen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| FFNet 78s | CPU, GPU, NPU | 104,9 MB |
| FFNet 54s | CPU, GPU, NPU | 68,8 MB |
Gezichtsdetectie
Menselijke gezichten in afbeeldingen detecteren en zoeken.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| FaceDetLite | CPU, GPU, NPU | 3,4 MB |
Audiotranscriptie (spraak-naar-tekst)
Converteer gesproken audio naar geschreven tekst met behulp van spraakherkenningsmodellen.
Probeer het zelf in de AI Dev Gallery-app
| Model | Apparatuur | Grootte |
|---|---|---|
| Fluisteren kleine CPU | CPU (Centrale Verwerkings Eenheid) | 73,8 MB |
| Whisper Kleine CPU | CPU (Centrale Verwerkings Eenheid) | 422,5 MB |
| Fluistermedium CPU | CPU (Centrale Verwerkings Eenheid) | 1,3 GB |