Hitta eller träna modeller för Windows ML

Windows ML fungerar med ONNX-formatmodeller eftersom Windows ML är den Windows-stödda distributionen av ONNX Runtime och maskinvaruspecifika körningsproviders. Det innebär att du kan använda miljontals befintliga förtränade modeller från olika källor eller träna dina egna modeller. Den här guiden beskriver var du hittar, konverterar eller tränar ONNX-modeller.

Mer information om Windows ML finns i Vad är Windows ML.

Du kan också välja bland dussintals färdiga AI-modeller och API:er i Microsoft Foundry på Windows, som körs via Windows ML. Mer information finns i Använd lokal AI med Microsoft Foundry på Windows.

Alternativ 1: Använda modeller från WinML CLI

Med Windows ML CLI kan du börja från en verifierad katalog med över 100 modeller som stöds och förbereda dem för Windows ML. CLI tar en modell från Hugging Face eller din egen pipeline, konverterar, analyserar, optimerar och kompilerar den till en bärbar artefakt för Windows maskinvara.

Information om hur du bläddrar bland tillgängliga modeller finns i Modeller som stöds för Windows ML CLI. Mer information om verktyget finns i Windows ML CLI.

Alternativ 2: Använd andra befintliga ONNX-modeller

Hugging Face är värd för tusentals ONNX-modeller som du kan använda med Windows ML. Du hittar ONNX-modeller genom att:

1. Bläddra i Hugging Face Model Hub
2. Filtrera efter "ONNX" i biblioteksfiltret

Du måste hitta en modell som är kompatibel med ONNX Runtime-versionen som ingår i den version av Windows ML som du använder. Se ONNX Runtime-versioner som levereras i Windows ML för att ta reda på vilken version av ONNX Runtime du använder med Windows ML.

Alternativ 3: Konvertera befintliga modeller till ONNX-format

Modeller från PyTorch, TensorFlow eller andra ramverk kan konverteras till ONNX-format och användas med Windows ML.

Hugging Face är värd för miljontals modeller som du kan konvertera och använda med Windows ML.

Du måste konvertera modellen så att den körs med onnx-körningsversionen som ingår i den version av Windows ML som du använder. Se ONNX Runtime-versioner som levereras i Windows ML för att ta reda på vilken version av ONNX Runtime du använder med Windows ML.

Information om hur du konverterar en modell till ONNX-format finns i ramverksspecifik dokumentation, till exempel:

• Självstudie om att konvertera PyTorch-modeller
• Självstudie om att konvertera TensorFlow-modeller

Alternativ 4: Finjustera befintliga modeller

Många modeller på Hugging Face eller andra källor kan finjusteras (följ instruktionerna på modellkorten på Hugging Face). Därefter kan du konvertera den finjusterade modellen till ONNX enligt anvisningarna i alternativ 3 ovan.

Ett populärt sätt att finjustera modeller är att använda kommandot olive finetune. Mer information om hur du använder Olive finns i Olive-dokumentationen .

Alternativ 5: Träna modeller

Om du behöver en modell för en specifik uppgift och inte kan hitta en befintlig modell kan du träna din egen i PyTorch, TensorFlow eller andra ramverk.

När du har tränat din modell följer du anvisningarna i alternativ 3 ovan för att konvertera din modell till ONNX-format.

Nästa steg

När du har en ONNX-modell kan du köra den med Windows ML på målenheterna.

• Installera Windows ML-körningsleverantörer – Ladda ned och installera körningsleverantörer i Windows ML
• Kör ONNX-modeller – Lär dig hur du kör slutsatsdragning med Windows ML

Andra lösningar

Som en del av Microsoft Foundry på Windows kan du också välja bland dussintals färdiga AI-modeller och API:er som körs via Windows ML. Mer information finns i Använd lokal AI med Microsoft Foundry på Windows.