Мы используем cookies и собираем технические данные

Находясь на сайте вы соглашаетесь с применением данных технологий

TorchOK

Пайплайн

для тестирования

нейросетей

В 2019 году
EORA начала
разрабатывать пайплайн для разработки и обучения нейросетевых моделей с технологией компьютерного зрения (CV).
Посмотреть проекты
Он получил название
последняя версия пайплайна написана на движке PyTorch Lighting.
TorchOK:
За три года с его помощью сделано около
для крупных компаний.
30 проектов

Во всех проектах применяется обработка изображений и видео:

распознавание
лиц
поиск похожих изображений
сегментация
классификация

Для кого

Теперь пайплайн доступен нашим клиентам:

Аутсорс-разработчикам

в сфере Data Science и CV
у которых нет своего пайплайна

Продуктовым командам,

в сфере Deep Learning

Исследовательским группам

Особенности пайплайна TorchOK

Обширная библиотека компьютерных моделей: от классической ResNet до новейшего трансформера Swin;
Широкий выбор готовых датасетов: необходимо лишь подготовить ваши данные в требуемом формате (CSV-файл с аннотациями и путями к изображениям);
Современная инфраструктура. TorchOK запускается на машинах с CPU, GPU, а также на нескольких компьютерах с несколькими GPU. Есть поддержка TPU;
Метрики для оценки моделей компьютерного зрения в TensorBoard и MLflow: классификационные, сегментационные, метрики для поиска похожих изображений, для распознавания лиц;
Единый интерфейс для загрузки и выгрузки компьютерных моделей;
Удобная «упаковка»: TorchOK можно запускать через Conda-окружение и в облаке — с помощью контейнеризатора Docker или в SageMaker на Amazon Web Services.
Наша задача — доводить “сырые” компьютерные модели до продакшена. Поэтому в TorchOK всегда будут только лучшие технические решения. Не самые точные с точки зрения публичных бенчмарков, но самые эффективные в соотношении качество/скорость.”
Технический директор EORA Data Lab
Влад Виноградов

Преимущества TorchOK

Для разработчиков

TorchOK можно клонировать для работы в нескольких проектах одновременно, для разных команд разработки. Найденные ошибки и улучшения устраняются и добавляются в едином репозитории и видны всем.
Он подходит для совместной работы
Вы сами выбираете параметры обучения нейросетевой модели: какую сеть использовать, какие данные подгружать, какие метрики считать, сколько GPU вам требуется.
Он легко кастомизируется
Обычно команды пишут под каждый проект свой пайплайн. Мы используем в качестве основы кодовую базу TorchOK, а затем изменяем её внутри команды.
Он универсальный
Достаточно минимальных знаний в Deep Learning, чтобы работать в пайплайне: подготовить датасет для обучения, обучить нейросетевую модель и затем передать её для интеграции.
Он простой

Для бизнес-проектов

Экономия денег: у вас на руках готовый результат многолетней работы EORA
Экономия времени: вы можете немедленно приступить к обучению своей нейросети
Самые современные решения в простой «упаковке»
Постоянно обновляемая база нейросетевых моделей
Только лучшее: мы сохраняем только то, что реально работает

Гарантия качества

Отбор лучших технических решений и программ

Признание исследовательского сообщества

Актуальная версия — третья по счету

Ежегодные улучшения c 2019 года

Команда

Разработка критических блоков библиотеки, интеграция нейросетевых архитектур
Разработка ядра библиотеки, упаковка, руководство
Исправление критических ошибок
Вячеслав Шульц
Владислав Виноградов
Роман Богачев
Константин Кубрак
Аэлита Шайхутдинова
Добавление поддержки новых типов задач
Рашид Баязитов

Грядущие обновления продукта

Обеспечение совместимости разных фреймворков и слоёв нейросетевых моделей
Возможность выгрузки моделей в разные фреймворки: TensorRT, ONNX, OpenVINO
Переход к постоянной поддержке ключевых нейросетей с сохранением однотипной структуры: бэкбон, шея, голова, шляпа
Отбор моделей с точки зрения качества и скорости

Напишите нам