Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Windows ML stöder en mängd olika ONNX-modeller för olika AI-scenarier. Den här sidan innehåller exempel för att använda Windows ML från olika ramverk och språk, samt färdiga modellexempel för vanliga AI-uppgifter.
Api-exempel för körning, textgenerering och taligenkänning
Den experimentella Windows ML-exempelkatalogen innehåller inbyggda C++- och Python-exempel för runtime-API:et på lägre nivå och API:erna för textgenerering och taligenkänning på högre nivå. Körningsexempel visar explicit modellinläsning, tensorbindning, pipelinekörning, modellkompilering och tillståndskänsliga språkmodellslingor. De andra exemplen bygger på samma Runtime-objekt för att demonstrera textgenerering, Whisper automatisk taligenkänning, strömmande resultat och direkt komposition från en avskrift till en textgenereringsprompt. De inbyggda exemplen visar också annullering.
Använd Runtime-exemplen när du behöver styra varje modellsteg eller tensor-åtgärd. Använd exempel på textgenerering eller taligenkänning när du vill att appen ska tillhandahålla kompatibla Runtime-pipelines medan API:et samordnar ett ML-arbetsflöde som stöds. För relationen mellan lagren, se Generera text med din egen språkmodell med hjälp av Windows ML och Identifiera tal med din egen Whisper-modell med hjälp av Windows ML.
AI Dev-galleri
AI Dev Gallery är det enklaste sättet att utforska Windows ML-exempel. Den innehåller:
- Interaktiva demonstrationer för varje modellscenario
- Fullständig källkod för varje exempel
- Exportera med ett klick till ett Visual Studio-projekt så att du kan använda modellen i din egen app
Tips/Råd
Varje modellexempel i AI Dev Gallery innehåller fullständig källkod. Använd funktionen Exportera till Visual Studio för att snabbt skapa ett fungerande projekt med din valda modell.
Exempel på ramverksintegrering
Windows App SDK-exempellagringsplatsen på GitHub innehåller exempelprogram som visar hur du integrerar Windows ML i olika språk och ramverk.
| Language | Ramverk | Förpackningstyp | Beroendetyp | Länk |
|---|---|---|---|---|
| C# | Console | Oemballerad | Ramverksberoende | Link |
| C# | WPF (Windows Presentation Foundation) | Oemballerad | Ramverksberoende | Link |
| C# | WinUI | MSIX | Ramverksberoende | Link |
| C# | WinForms | Oemballerad | Ramverksberoende | Link |
| C++ WinRT | Console | DLL med separat EXE | Ramverksberoende | Link |
| C++ WinRT | Console | Oemballerad | Fristående | Link |
| C++ WinRT | Console | MSIX | Ramverksberoende | Link |
| C++ CMake | Console | Oemballerad | Fristående | Link |
| python | Console | Oemballerad | Ramverksberoende | Link |
Fullständig Windows ML-exempelinventering finns i mappen WindowsML på lagringsplatsen Windows App SDK Samples.
Modellexempel efter scenario
I följande avsnitt listas tillgängliga modeller för varje AI-scenario, tillsammans med deras storlek och maskinvarustöd. Klicka på "Prova själv" för att öppna exemplet i AI Dev Gallery-appen.
Stora språkmodeller (LLM) – textgenerering
Generera konversationstextsvar med hjälp av toppmoderna språkmodeller.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| Phi 4 Mini CPU | CPU | 4,6 GB |
| Phi 3.5 Mini CPU ACC4 | CPU | 2,6 GB |
| Phi 3 Mini CPU | CPU | 2,5 GB |
| Phi 3 Mini CPU ACC4 | CPU | 2,5 GB |
| Phi 3 Medelhög CPU ACC4 | CPU | 8,6 GB |
| Mistral 7B Instruct 0,2 CPU | CPU | 4,6 GB |
| Mistral 7B Instruct 0,2 CPU ACC4 | CPU | 4,6 GB |
Stora språkmodeller (LLM: er) – multimodal
Analysera bilder och generera textbeskrivningar med hjälp av visionsaktiverade språkmodeller.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| Phi 3 Vision CPU | CPU | 3,0 GB |
| Phi 3.5 Vision CPU | CPU | 3,0 GB |
Textinbäddning (semantisk sökning)
Konvertera text till vektorinbäddningar för semantisk sökning och likhetsmatchning.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| all-MiniLM-L12-v2 | CPU, GPU | 127,2 MB |
| all-MiniLM-L6-v2 | CPU, GPU | 86,4 MB |
Bildgenerering
Skapa bilder från textprompter med hjälp av diffusionsmodeller.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| Stable Diffusion v1.4 | CPU, GPU | 5,1 GB |
Bildklassificering
Klassificera bilder i fördefinierade kategorier.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| 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 |
Identifiering av bildobjekt
Identifiera och hitta objekt i bilder.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| Snabbare RCNN 10 | CPU, GPU | 159,6 MB |
| Snabbare RCNN 12 | CPU, GPU | 168,5 MB |
| YOLOv4 | CPU, GPU | 245,5 MB |
Bildsegmentering (bakgrundsdetektering)
Separera förgrundsämnen från bakgrunder i bilder.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| SINet | CPU, GPU, NPU | 404,7 KB |
Identifiering av mänsklig pose
Identifiera kroppsställningar och viktiga punkter i bilder.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| HRNet-pose | CPU, GPU, NPU | 108,9 MB |
Gatusegmentering
Segmentera gatufotografier i detekterbara zoner för autonom körning och mappningsprogram.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| FFNet 78s | CPU, GPU, NPU | 104,9 MB |
| FFNet 54s | CPU, GPU, NPU | 68,8 MB |
Ansiktsspårning
Identifiera och hitta mänskliga ansikten i bilder.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| FaceDetLite | CPU, GPU, NPU | 3,4 MB |
Ljudavskrift (röst-till-text)
Konvertera talat ljud till skriftlig text med hjälp av taligenkänningsmodeller.
Prova själv i AI Dev Gallery-appen
| Model | Hårdvara | Storlek |
|---|---|---|
| Whisper Tiny CPU | CPU | 73,8 MB |
| Whisper (liten CPU) | CPU | 422,5 MB |
| Whisper Medium CPU | CPU | 1,3 GB |