TorchOK

Пайплайн

для тестирования

нейросетей

Попробовать

Посмотреть проекты

TorchOK:

последняя версия пайплайна написана на движке PyTorch Lighting.

Он получил название

30 проектов

для крупных компаний.

За три года с его помощью сделано около

В 2019 году

EORA начала

разрабатывать пайплайн для разработки и обучения нейросетевых моделей с технологией компьютерного зрения (CV).

Во всех проектах применяется обработка изображений и видео:

классификация

сегментация

поиск похожих изображений

распознавание
лиц

Data Lab

Сервис проверки товарных знаков на плагиат

Data Lab

Автоматическая трансляция спортивных соревнований

Data Lab

Анимация для мобильных видео

Data Lab

Нейросетевой сервис для ухода за растениями

Data Lab

Система поиска посторонних предметов на автомобиле

Data Lab

Поиск товаров по фото на сайте KazanExpress

Проекты

Узнайте больше о проектах, которые сделаны с помощью TorchOK

Для кого

Теперь пайплайн доступен нашим клиентам:

Аутсорс-разработчикам

в сфере Data Science и CV

Продуктовым командам,

Исследовательским группам

у которых нет своего пайплайна

в сфере Deep Learning

Особенности пайплайна TorchOK

Обширная библиотека компьютерных моделей: от классической ResNet до новейшего трансформера Swin;

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.

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;

Влад Виноградов

Технический директор EORA Data Lab

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.”

Он подходит для совместной работы

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 легко кастомизируется

Вы сами выбираете параметры обучения нейросетевой модели: какую сеть использовать, какие данные подгружать, какие метрики считать, сколько GPU вам требуется.

Он универсальный

Обычно команды пишут под каждый проект свой пайплайн. Мы используем в качестве основы кодовую базу TorchOK, а затем изменяем её внутри команды.

Он простой

Достаточно минимальных знаний в Deep Learning, чтобы работать в пайплайне: подготовить датасет для обучения, обучить нейросетевую модель и затем передать её для интеграции.