开源项目:统一,全面,高效的推荐库

本文目录

项目一：AutoKernel 提高深度学习算法部署效率的自动算子优化工具

项目二：fire-detection-from-images 使用神经网络检测图像中的火焰

项目三：RecBole 统一，全面，高效的推荐库

AutoKernel 提高深度学习算法部署效率的自动算子优化工具

项目地址：https://github.com/OAID/AutoKernel

简介：随着人工智能的普及，深度学习网络的不断涌现，为了让各硬件(CPU, GPU, NPU,...)能够支持深度学习应用，各硬件芯片需要软件库去支持高性能的深度学习张量运算。目前，这些高性能计算库主要由资深HPC工程师(高性能计算优化工程师）进行开发，为了加快开发进程，缩短深度学习应用落地周期，自动化算子优化是一个趋势。

AutoKernel是由OPEN AI LAB提出的高性能算子自动优化工具，可以自动优化调度策略、生成底层优化代码，大幅减少各硬件芯片算子开发成本，提升算子优化效率，让工程师更快实现深度学习算法在各硬件芯片上的高性能部署。

AutoKernel架构：

AutoKernel分为三个模块：

算子生成器:

该模块使用了开源项目Halide；Halide是业界广泛使用的自动代码生成项目，它首次提出将计算和调度分离。该模块的输入是和硬件无关的算子计算描述，输出是相应后端的优化汇编代码/目标文件；

自动搜索模块：

该模块可以通过最优化算法/搜索算法/机器学习/强化学习搜索出相应后端的最优算子的调度策略参数（该模块仍在开发中）；

算子部署插件（ AutoKernel Plugin）：

Tengine是OPEN AILAB开源的深度学习推理框架，实现了AI算法在不同硬件的快速高效部署。该模块实现了将自动生成的优化算子代码以plugin的形式一键集成到Tengine中，实现自动优化算子的一键部署；

fire-detection-from-images 使用神经网络检测图像中的火焰

项目地址：https://github.com/robmarkcole/fire-detection-from-images

此项目的目的是演示火灾探测神经网模型。在使用中，此模型将在图像中将一个界框放在任何火周围。

最佳效果：

对象检测：在尝试了各种模型体系结构之后，我选择了Yolov5 pytorch模型，这是因为它具有SOTA（最先进的技术），相对较快的培训以及可提供良好文档并易于使用的笔记本的可用性。经过几个小时的实验，我在1155张图像（337个基本图像+增强）上训练了一个mAP @ .5为0.657，精度为0.6，召回率为0.7的模型。
分类：使用ResNet50和Monk tensorflow库报告了95％的准确性。

动机和挑战：

传统的烟雾探测器通过检测烟雾颗粒的物理存在来工作。但是，它们容易被错误检测（例如，从烤面包机中检测到），并且不能很好地定位火源。在这些情况下，摄像机解决方案可以补充传统的探测器，以缩短响应时间或提供其他指标，例如火灾的大小和位置。识别出火灾的位置和性质后，可以进行自动干预，例如通过洒水系统或无人机。此外，数据也可以发送到消防部门，以提供其他情况下不存在的态势感知。我感兴趣的特定位置是：厨房和客厅，车库和附属建筑，以及可能已经发生火灾但蔓延到所需区域之外的区域，例如火坑。

数据集：