Forwarded from АРХИВ КУРСА ML System Design2023
Рассказ @chernovssss про SAHI - технологию детектирования мелких объектов https://github.com/chernovssss/sahi_lib_article
Интересный подход, который можно использовать вместе с вашим любимым детектором объектов. Хороший подбор дополнительных материалов, и очень полезная библиотека. Задавайте Андрею вопросы в комментариях, пожалуйста.
Интересный подход, который можно использовать вместе с вашим любимым детектором объектов. Хороший подбор дополнительных материалов, и очень полезная библиотека. Задавайте Андрею вопросы в комментариях, пожалуйста.
Forwarded from Machinelearning
Решаем ML-задачи за 60 секунд, отправляем AI торговать на бирже и изучаем мультимодальную архитектуру — на онлайн-митапе Сбера при поддержке JUG Ru Group.
🗓 29 ноября в 18:00
В программе:
✔️ Александр Рыжков — «AutoML на практике: сделать AI за 60 секунд»Александр покажет, как быстро решать ML-задачи с использованием фреймворка LightAutoML.
✔️ Андрей Ахметов — «AI/ML в валютном трейдинге»
Как зарабатывают с AI в трейдинге, какие ML-модели используют, как анализируют данные и оценивают их результаты.
✔️ Андрей Кузнецов — «Мультимодальная архитектура OmniFusion — новый способ AI-коммуникации с пользователем?»
Доклад создании больших языковых моделей, способных одинаково хорошо работать с текстом и видео. А также о коммуникации моделей между собой.
Общайтесь с участниками митапа и задавайте вопросы спикерам в чате трансляции. Авторы лучших вопросов к каждому докладу получат сертификаты в магазин мерча SberShop.
➡️ Регистрация по ссылке.
Реклама. ПАО СБЕРБАНК. ИНН 7707083893.
🗓 29 ноября в 18:00
В программе:
✔️ Александр Рыжков — «AutoML на практике: сделать AI за 60 секунд»Александр покажет, как быстро решать ML-задачи с использованием фреймворка LightAutoML.
✔️ Андрей Ахметов — «AI/ML в валютном трейдинге»
Как зарабатывают с AI в трейдинге, какие ML-модели используют, как анализируют данные и оценивают их результаты.
✔️ Андрей Кузнецов — «Мультимодальная архитектура OmniFusion — новый способ AI-коммуникации с пользователем?»
Доклад создании больших языковых моделей, способных одинаково хорошо работать с текстом и видео. А также о коммуникации моделей между собой.
Общайтесь с участниками митапа и задавайте вопросы спикерам в чате трансляции. Авторы лучших вопросов к каждому докладу получат сертификаты в магазин мерча SberShop.
➡️ Регистрация по ссылке.
Реклама. ПАО СБЕРБАНК. ИНН 7707083893.
Решаем ML-задачи за 60 секунд, отправляем AI торговать на бирже и изучаем мультимодальную архитектуру — на онлайн-митапе Сбера при поддержке JUG Ru Group.
https://www.youtube.com/watch?v=10hYa7ooCBc
https://sb-meetup.jugru.org/ml/2023#registration
https://www.youtube.com/watch?v=10hYa7ooCBc
https://sb-meetup.jugru.org/ml/2023#registration
YouTube
Sber ML Meetup: AutoML, трейдинг и мультимодальность
Подробнее о фестивале TechTrain: https://jrg.su/YR8JKw
— —
*Мультимодальная архитектура OmniFusion — новый способ AI-коммуникации с пользователем?*
Доклад Андрея Кузнецова о подходах к созданию больших языковых моделей, способных одинаково хорошо работать…
— —
*Мультимодальная архитектура OmniFusion — новый способ AI-коммуникации с пользователем?*
Доклад Андрея Кузнецова о подходах к созданию больших языковых моделей, способных одинаково хорошо работать…
Forwarded from Заметки Computer Vision инженера
Ну и продолжении позапрошлого видео. Запускаем CLIP и DINOv2 на эмбеддед устройствах. Через ONNX и RKNN. Мне было интересно потянет ли или нет и сколько времени будет на инференс.
В итоге 2-3 секунды на DINOv2 small на RPi и 0.5 на RK3568.
Но мне показалось что это прикольная тема о которой можно сделать видео. Есть ряд проблем которые проще собрать под одной крышей.
https://youtu.be/gYIMYd2x52A
В итоге 2-3 секунды на DINOv2 small на RPi и 0.5 на RK3568.
Но мне показалось что это прикольная тема о которой можно сделать видео. Есть ряд проблем которые проще собрать под одной крышей.
https://youtu.be/gYIMYd2x52A
YouTube
One-shot-learing Computer Vision on Embedded devices (RockChip, RPi, etc.)
00:00:00 - Introduction
00:00:41 - CLIP. How to export to ONNX
00:01:05 - CLIP. List of existed ONNX models.
00:01:47 - CLIP. RockChip RKNN export and inference.
00:02:27 - DINOv2. ONNX export. What you should fix.
00:04:28 - DINOv2. RockChip RKNN export…
00:00:41 - CLIP. How to export to ONNX
00:01:05 - CLIP. List of existed ONNX models.
00:01:47 - CLIP. RockChip RKNN export and inference.
00:02:27 - DINOv2. ONNX export. What you should fix.
00:04:28 - DINOv2. RockChip RKNN export…
Forwarded from Machinelearning
LEDITS++ модель, которая выводит редактирование изображений текcтом на новый уровень.
LEDITS++:
- быстрый 🚀
- универсальный 🎨
- привязывает изменения к соответствующим областям 🎑
- не зависит от архитектуры ⚙️
🦾 Demo: https://huggingface.co/spaces/editing-images/leditsplusplus
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
🪞 Visual Anagrams: Generating Multi-View Optical Illusions with Diffusion Models
Это самая крутая работа диффузии, за последнее время! Она генерирует визуальные анаграммы - тип оптической иллюзии, когда изображение выглядит как одно, но при трансформации меняет вид на другое.
Метод работает с любыми ортогональными матрицами преобразования, которые, включают вращение и перестановку.
Интуитивно понятно, что метод сначала инвертирует шум от нескольких преобразований изображения (с разными текстовыми промптами), а затем усредняет их.
После работы диффузии усредненного шума, результирующее изображение превращается в анаграмму, соответствующую тексту в разных ракурсах.
При этом требуется совсем немного вычислений, используется предварительно обученная стабильная диффузия.
Простая, элегантная техника для непрофессионалов, позволяющая создавать интересные произведения искусства!
🖥 Code: https://github.com/dangeng/visual_anagrams
🌟 Colab: https://colab.research.google.com/drive/1hCvJR5GsQrhH1ceDjdbzLG8y6m2UdJ6l?usp=sharing
🔥 Project: https://dangeng.github.io/visual_anagrams/
📚 Paper: https://arxiv.org/abs/2311.17919
@ai_machinelearning_big_data
Это самая крутая работа диффузии, за последнее время! Она генерирует визуальные анаграммы - тип оптической иллюзии, когда изображение выглядит как одно, но при трансформации меняет вид на другое.
Метод работает с любыми ортогональными матрицами преобразования, которые, включают вращение и перестановку.
Интуитивно понятно, что метод сначала инвертирует шум от нескольких преобразований изображения (с разными текстовыми промптами), а затем усредняет их.
После работы диффузии усредненного шума, результирующее изображение превращается в анаграмму, соответствующую тексту в разных ракурсах.
При этом требуется совсем немного вычислений, используется предварительно обученная стабильная диффузия.
Простая, элегантная техника для непрофессионалов, позволяющая создавать интересные произведения искусства!
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Генерация синтетических данных для таблиц и временных последовательностей
Forwarded from АРХИВ КУРСА ML System Design2023
Рассказ от @tankoroleva про библиотеку для генерации синтетических данных ydata-synthetic https://www.kaggle.com/code/rtkli91/ydata-synthetic-to-handle-class-imbalance
Задавайте Татьяне вопросы в комментариях, пожалуйста.
Задавайте Татьяне вопросы в комментариях, пожалуйста.
Forwarded from ML for Value / Ваня Максимов (Ivan Maksimov)
Саша из @datafeeling сделал прикольного бесплатного бота для генерации resume-style картинок по обычным фоткам - @avatar_resume_bot
Я потестил - зашло, поэтому рекомендую попробовать)
Из прикольного:
- Работает с фотками почти любого качества
- Убирает наушники, капюшон и прочие артефакты
- Можно стилизовать (выбирать цвет волос, например)
Но может несколько поменять ваше лицо - надо нагенерить 3-5 фоток, чтобы выбрать похожую на себя генерацию
Я потестил - зашло, поэтому рекомендую попробовать)
Из прикольного:
- Работает с фотками почти любого качества
- Убирает наушники, капюшон и прочие артефакты
- Можно стилизовать (выбирать цвет волос, например)
Но может несколько поменять ваше лицо - надо нагенерить 3-5 фоток, чтобы выбрать похожую на себя генерацию
https://vk.com/wall-187376020_337
Ого, это что новый семинар от VK Lab? Да!
Подключайтесь 12 декабря в 20:00, наш лаборант Антон Удалов расскажет о self-supervised подходе в звуке.
Мы подробно обсудим ключевые модели в этой области: Wav2Vec2, HuBERT и WavLM. А ещё разберёмся:
- в их архитектурных особенностях;
- чем они отличаются друг от друга;
- и для решения каких задач нужны.
Готовьте вопросы — обязательно ответим на них! До встречи.
Ого, это что новый семинар от VK Lab? Да!
Подключайтесь 12 декабря в 20:00, наш лаборант Антон Удалов расскажет о self-supervised подходе в звуке.
Мы подробно обсудим ключевые модели в этой области: Wav2Vec2, HuBERT и WavLM. А ещё разберёмся:
- в их архитектурных особенностях;
- чем они отличаются друг от друга;
- и для решения каких задач нужны.
Готовьте вопросы — обязательно ответим на них! До встречи.
VK
VK Lab. Запись со стены.
Ого, это что новый семинар от VK Lab? Да!
Подключайтесь 12 декабря в 20:00, наш лаборант Ант... Смотрите полностью ВКонтакте.
Подключайтесь 12 декабря в 20:00, наш лаборант Ант... Смотрите полностью ВКонтакте.
Forwarded from Machinelearning
8 бесплатных топ курсов по большим языковым моделям:
1. Университет LLM
Курс дает представление о том, как работают
LLM, их практическом применении, и направляет учащихся на использование LLM для создания и развертывания приложений.https://docs.cohere.com/docs/llmu
2. huggingface NLP course
Этот курс дает исчерпывающие знания о тарнсформерах Hugging Face, датасетах, токенизаторах и инструменте Accelerate в области обработки естественного языка (NLP).
https://huggingface.co/learn/nlp-course/chapter1/1
3. DeepLearningAI
Коллекция бесплатных курсов, созданных в сотрудничестве со многими компаниями, такими как LangChain, OpenAI, Google, Weights & Biases, Microsoft и другими.
https://www.deeplearning.ai/short-courses/
4. Weights_biases course
Этот курс показывает, как создавать приложения на базе LLM, используя
API, Langchain и W&B Prompts. Он рассказывает про разработку, экспериментирование и оценку приложений, ориентированных на LLM.https://www.wandb.courses/courses/building-llm-powered-apps
5. Introduction to LLMs course by google cloud
Курс вводного уровня, в котором рассказывается о том, что такое LLM, о случаях их использования и о том, как повысить производительность LLM с помощью промпт-тюнинга.
https://www.cloudskillsboost.google/course_templates/539
6. Databricks курсы
Программа включает в себя два курса: "
LLMs: Application through Production" и "LLMs: Foundation Models from the Ground Up".https://www.databricks.com/blog/enroll-our-new-expert-led-large-language-models-llms-courses-edx
7. Курс "LangChain & Vector Databases in Production" от activeloopai, towards_AI и Intel
Серия из трех курсов познакомит слушателей со знаниями и навыками для обучения, тонкой настройки и интеграции LLM в продакшен.
https://learn.activeloop.ai/courses/langchain
8 ) LLM Bootcamp
Охватывает такие темы, как
Prompt Engineering, LLMOps, UX для языковых пользовательских интерфейсов, дополненные языковые модели, быстрая разработка LLM-приложений, будущие тенденции в LLM, фундаментальные концепции и прохождение askFSDL.https://fullstackdeeplearning.com/llm-bootcamp/
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from DeepSchool
Эффективные ансамбли
Ансамбли помогают:
- повысить устойчивость к искажению входных данных
- определить принадлежность объекта к тренировочному распределению
- улучшить взаимосвязь между уверенностью модели и реальным качеством предсказания
⚠️ Но у ансамблей есть и недостаток — увеличивается время предсказания.
Чтобы снизить этот фактор и ускорить ансамбли, придумали несколько методов, с которыми мы и познакомим вас в новой статье.
А также рассмотрим базовые подходы к построению ансамблей и метрики для оценки их эффективности.
Читайте новую статью по ссылке: https://deepschool-pro.notion.site/e0b2a0bad14e414782b9ab3dff0cd2b5?pvs=4
Ансамбли помогают:
- повысить устойчивость к искажению входных данных
- определить принадлежность объекта к тренировочному распределению
- улучшить взаимосвязь между уверенностью модели и реальным качеством предсказания
Чтобы снизить этот фактор и ускорить ансамбли, придумали несколько методов, с которыми мы и познакомим вас в новой статье.
А также рассмотрим базовые подходы к построению ансамблей и метрики для оценки их эффективности.
Читайте новую статью по ссылке: https://deepschool-pro.notion.site/e0b2a0bad14e414782b9ab3dff0cd2b5?pvs=4
Please open Telegram to view this post
VIEW IN TELEGRAM
deepschool-pro on Notion
Эффективные ансамбли | Notion
Автор: Дмитрий Раков
Редактура: Илья Бакалец
Редактура: Илья Бакалец
Forwarded from Институт AIRI
Save the date: новогодняя ИИшница пройдет 21 декабря в 15:30! 🍳🎄
Исследователи расскажут про свои статьи, которые были приняты на конференцию NeurIPS 2023, скоро поделимся подробным расписанием онлайн-митапа.
Ссылка на трансляцию тут🍿
Исследователи расскажут про свои статьи, которые были приняты на конференцию NeurIPS 2023, скоро поделимся подробным расписанием онлайн-митапа.
Ссылка на трансляцию тут🍿
Forwarded from Machine learning Interview
This media is not supported in your browser
VIEW IN TELEGRAM
🤗 Как построить интерактивное пространство HF для визуализации набора данных изображений
https://huggingface.co/blog/MarkusStoll/interactive-hf-space-to-visualize-image-datasets
@machinelearning_interview
https://huggingface.co/blog/MarkusStoll/interactive-hf-space-to-visualize-image-datasets
@machinelearning_interview
Forwarded from эйай ньюз
This media is not supported in your browser
VIEW IN TELEGRAM
🤯Локальные LLM-ки на подъеме — некий Кулибин запуcтил Карпатовскую llama2.c на Galaxy Watch 4!
Моделька не самая жирная, но это пока. Через год-два 1B параметров будет на часах бегать. Персональный ассистент у вас на руке!
Скорость:
Модель с 15M параметров: 22 токенов/сек*
Модель с 43M параметров: 8 токенов/сек
Вот вам еще небольшая подборка моих постов, про локальнные LLM:
- LLaMa с text-retrieval плагином: тык-1, тык-2
- LLama-7B на на макбуке: тык
- LLaMa-30B на макбуке (4-bit + mmap): тык
- llama2.c или Карпатый запускает LLaMa-2-7B на рисоварке: тык
- Falcon 180B дома на маке M2 Ultra: тык
*один токен - это чуть меньше одного слова.
@ai_newz
Моделька не самая жирная, но это пока. Через год-два 1B параметров будет на часах бегать. Персональный ассистент у вас на руке!
Скорость:
Модель с 15M параметров: 22 токенов/сек*
Модель с 43M параметров: 8 токенов/сек
Вот вам еще небольшая подборка моих постов, про локальнные LLM:
- LLaMa с text-retrieval плагином: тык-1, тык-2
- LLama-7B на на макбуке: тык
- LLaMa-30B на макбуке (4-bit + mmap): тык
- llama2.c или Карпатый запускает LLaMa-2-7B на рисоварке: тык
- Falcon 180B дома на маке M2 Ultra: тык
*один токен - это чуть меньше одного слова.
@ai_newz