Ejemplos de Windows Machine Learning

El repositorio Windows-Machine-Learning en GitHub contiene aplicaciones de ejemplo que muestran cómo usar Windows Machine Learning, así como herramientas que ayudan a comprobar los modelos y a solucionar problemas durante el desarrollo.

Ejemplos

Las aplicaciones de ejemplo siguientes están disponibles en GitHub.

Nombre	Descripción
AdapterSelection (Win32 C++)	Aplicación de escritorio que muestra cómo elegir un adaptador de dispositivo específico para ejecutar el modelo.
BatchSupport	Muestra cómo vincular y evaluar lotes de entradas con Windows ML.
Custom Operator Sample (Win32 C++)	Aplicación de escritorio que define varios operadores de CPU personalizados. Uno de ellos es un operador de depuración que se puede integrar en tu flujo de trabajo.
Custom Tensorization (Win32 C++)	Muestra cómo tensorizar una imagen de entrada mediante el uso de las API de Windows ML tanto en la CPU como en la GPU.
Custom Vision (UWP C#)	Muestra cómo entrenar un modelo ONNX en la nube mediante Custom Vision y cómo integrarlo en una aplicación con Windows ML.
Emoji8 (UWP C#)	Muestra cómo usar Windows ML para impulsar una aplicación de detección de emociones atractiva.
FNS Style Transfer (UWP C#)	Usa el modelo de transferencia de estilos FNS-Candy para cambiar el estilo de imágenes o secuencias de vídeo.
MNIST (UWP C#/C++)	Corresponde a Tutorial: Creación de una aplicación para UWP de Windows Machine Learning (C#). Comienza con una base y completa el tutorial, o bien ejecuta el proyecto completado.
NamedDimensionOverrides	Muestra cómo invalidar las dimensiones con nombre en valores concretos para optimizar el rendimiento del modelo.
PlaneIdentifier (UWP C#, WPF C#)	Usa un modelo de aprendizaje automático entrenado previamente que se haya generado mediante el servicio Custom Vision en Azure, para detectar si la imagen especificada contiene un objeto específico: un plano.
RustSqueezeNet	Proyección de Rust de WinRT mediante SqueezeNet.
Detección de objetos de SqueezeNet (Win32 C++, UWP C#/JavaScript, .NET5, .NETCORE)	Usa SqueezeNet, un modelo de aprendizaje automático entrenado previamente, para detectar el objeto predominante en una imagen seleccionada por el usuario de un archivo.
SqueezeNet Object Detection (Azure IoT Edge on Windows, C#)	Este es un módulo de ejemplo que muestra cómo ejecutar la inferencia de Windows ML en un módulo de Azure IoT Edge que se ejecute en Windows. Las imágenes las proporciona una cámara conectada, se infieren del modelo de SqueezeNet y se envían a IoT Hub.
StreamFromResource	Muestra cómo tomar un recurso incrustado que contiene un modelo ONNX y convertirlo en una secuencia que se puede pasar al constructor LearningModel.
StyleTransfer (C#)	Aplicación para UWP que realiza la transferencia de estilo en imágenes de entrada proporcionadas por el usuario o mediante transmisiones de cámara web.
winml_tracker (ROS C++)	Nodo ROS (sistema operativo robótico) que usa Windows ML para realizar el seguimiento de personas (u objetos) en fotogramas de la cámara.

Nota:

Use los siguientes recursos para obtener ayuda con Windows ML:

• Para formular o responder a preguntas técnicas sobre Windows Machine Learning, utilice la etiqueta windows-machine-learning en Stack Overflow.
• Para notificar un error, registre un problema en GitHub.