终於~~ 今天是第三十天,很开心跟大家分享AI平台的Labeling、Training、Tracking与Serving的概念与串接工具的方法.
首先我们先手动建立与安装所需的软件与系统, 我们先安装Kubernetes(K8s), 然後在K8s上安装JupyterLab、MLFlow、Django、MLFlow、Seldon、PV/PVC, 在整合的过程中也使用到NFS server与MinIO, 这样我们可以在自已手动建立的AI平台上完成training、tracking与serving, 可以符合资料科学家基本的使用需求.
接着我们使用Nilvana物件辨识工具, 除了有好用的标注工具之外, Nilvana操作介面很容易上手, 轻松就可以完成资料标注、训练与部署, 在物件辨识应用上Nilvana是一个很好用的工具.
接下来, 除了Labeling、Training、Tracking与Serving之外, 至少还要再加入monitoring与reserving:
这三十天的内容整理的有点仓促, 或许之後可以将这一系列文章重新整理并重新命名为AI平台的六个ING-Labeling、Training、Tracking、Serving、monitoring与reserving
..
最後, 感谢ITHome鐡人赛提供这个技术交流平台.
下台一鞠躬~~
Nilvana官网: https://nilvana.tw/
0x1 Laravel 资料库连接 请先确认 php.ini 的 pdo_pgsql extensi...
这需要一个完整的例子。 我先依照先前讲的把程序码先准备好 先看画面 准备了两个页面: User, U...
HTTP request 上次我们建立了一个直接能跑的专案,但是它只有一个回传随机天气的 API 接...
结合已提到的 object 及 collection 在 Model Binding 的格式说明 很...
本文目标 了解连结器与常见的连结方式 Lazy-binding 建立对 elf file forma...