Il s'agit de l'application Linux MoCo v3, dont la dernière version est téléchargeable sous le nom moco-v3sourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne cette application nommée MoCo v3 avec OnWorks gratuitement.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN:
MoCo v3
DESCRIPTION:
MoCo v3 est une réimplémentation PyTorch de Momentum Contrast v3 (MoCo v3), le framework d'apprentissage auto-supervisé de pointe de Facebook Research pour l'apprentissage de représentations visuelles utilisant les backbones ResNet et Vision Transformer (ViT). Initialement développée avec TensorFlow pour les TPU, cette version reproduit fidèlement les résultats de l'article sur GPU tout en offrant une interface PyTorch accessible et évolutive. MoCo v3 améliore l'entraînement des ViT auto-supervisés en combinant l'apprentissage contrastif avec des architectures basées sur des transformateurs, obtenant ainsi de solides performances de réglage fin linéaire et de bout en bout sur les benchmarks ImageNet. Le référentiel prend en charge l'entraînement distribué multi-nœuds, la précision mixte automatique et la mise à l'échelle linéaire des taux d'apprentissage pour les régimes de lots importants. Il inclut également des scripts pour le pré-entraînement auto-supervisé, la classification linéaire et le réglage fin au sein du framework DeiT.
Comment ça marche
- Compatible avec ImageNet et les repères de vision standard pour l'apprentissage par transfert
- Configurable via des indicateurs de ligne de commande avec des hyperparamètres évolutifs et des paramètres par lots
- Scripts intégrés pour la préformation auto-supervisée, l'évaluation linéaire et le réglage fin du DeiT
- Obtient de bons résultats ImageNet (par exemple, 74.6 % de top-1 linéaire sur ResNet-50, 83.2 % de ViT-B affiné)
- Prend en charge la formation distribuée multi-GPU à grande échelle avec une précision mixte
- Implémentation PyTorch de MoCo v3 auto-supervisé pour les modèles ResNet et ViT
Langage de programmation
Python
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/moco-v3.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.