Lobe

Qu'est-ce que Lobe ?

Lobe est un outil de machine learning gratuit et facile à utiliser pour Mac et PC qui aide les personnes à entraîner des modèles de machine learning, puis à les déployer vers d'autres plateformes. Son objectif principal est de simplifier l'entraînement des modèles et le passage d'un modèle entraîné au déploiement.

Selon l'organisation GitHub du projet, Lobe est également soutenu par plusieurs dépôts open-source et projets de démarrage pour différents environnements, incluant Python, iOS et options web/API REST. L'application de bureau Lobe n'est plus en développement.

Fonctionnalités principales

• Entraînement de modèles sur Mac et PC : Lobe est positionné comme un workflow de bureau pour entraîner des modèles de machine learning sur les systèmes d'exploitation de bureau courants.
• Export/déploiement vers plusieurs plateformes : Le projet décrit le déploiement de modèles entraînés vers « n'importe quelle plateforme » choisie par l'utilisateur, soutenu par des templates de démarrage pour iOS et web.
• Projets de démarrage pour iOS, web et API REST : Les dépôts incluent iOS-bootstrap (Swift), web-bootstrap (TypeScript) et flask-server (démarrage API REST) pour aider à configurer l'utilisation des modèles dans différents types d'apps.
• Outils pour la création de datasets d'images : image-tools fournit des utilitaires pour créer des datasets basés sur des images pour le machine learning.
• Bibliothèques de développement et outils pour modèles : L'organisation maintient lobe-python (boîte à outils Python pour travailler avec les modèles Lobe) et lobe.NET (bibliothèque .NET pour Lobe), plus le dépôt principal lobe.

Comment utiliser Lobe

1. Démarrez avec Lobe sur votre Mac ou PC pour entraîner un modèle de machine learning via l'application de bureau.
2. Utilisez le dépôt de démarrage approprié pour votre plateforme cible après l'entraînement :
   • iOS : suivez iOS-bootstrap (Swift) comme projet de démarrage.
   • Web : suivez web-bootstrap (TypeScript) pour un workflow de démarrage web.
   • API REST : utilisez flask-server comme projet de démarrage API REST.
3. Si votre projet implique des images, utilisez image-tools pour créer des datasets basés sur des images adaptés au workflow d'entraînement.
4. Pour une intégration basée sur du code, utilisez les bibliothèques/outils fournis lobe-python (Python) ou lobe.NET (.NET) référencés par les dépôts.

Cas d'usage

• Construire un modèle pour une app mobile (iOS) : Entraînez un modèle avec Lobe, puis utilisez iOS-bootstrap pour intégrer le modèle entraîné dans un projet iOS.
• Déployer un modèle via une application web : Entraînez avec Lobe et utilisez web-bootstrap pour créer un setup de démarrage web (TypeScript) exécutant le modèle dans un contexte web.
• Exposer l'inférence de modèle via une API REST : Entraînez avec Lobe et utilisez flask-server comme point de départ pour servir l'inférence de modèle via une API REST (démarrage basé sur Python).
• Créer et préparer des datasets d'images : Utilisez image-tools pour construire des datasets basés sur des images pour le machine learning avant l'entraînement dans Lobe.
• Intégrer des modèles Lobe dans des bases de code Python ou .NET : Utilisez lobe-python (Python) ou lobe.NET (bibliothèque .NET) pour travailler avec les modèles Lobe dans le code applicatif.

FAQ

• L'application de bureau Lobe est-elle encore activement développée ? Non. Le site web indique que l'application de bureau Lobe n'est plus en développement.

• Lobe supporte-t-il l'entraînement sur Mac et PC ? Oui. Le projet décrit Lobe comme un outil gratuit pour Mac et PC.

• Où trouver des exemples de déploiement spécifiques à une plateforme ? L'organisation GitHub inclut des dépôts de démarrage tels que iOS-bootstrap, web-bootstrap et flask-server.

• Y a-t-il des outils pour créer des datasets d'images ? Oui. Le dépôt image-tools est décrit comme des outils pour créer des datasets basés sur des images pour le machine learning.

• Peut-on utiliser les modèles Lobe depuis des langages comme Python et .NET ? Oui. L'organisation liste lobe-python pour les boîtes à outils Python et lobe.NET comme bibliothèque .NET pour Lobe.

Alternatives

• Autres outils de machine learning no/low-code : Ceux-ci se concentrent souvent sur l'entraînement de modèles avec une UI simplifiée, mais varient dans la manière dont ils fournissent explicitement des templates de démarrage pour iOS/web/API.
• Chaînes d'outils de déploiement de modèles pour cibles spécifiques (mobile/web/API) : Au lieu d'un workflow tout-en-un, vous pouvez utiliser des outils spécialisés par cible (SDK mobile, frameworks d'inférence web ou stacks de serving API) pour couvrir le déploiement tout en gérant l'entraînement ailleurs.
• Workflows d'entraînement ML basés sur Python : Pour les équipes préférant des approches code-first, les pipelines d'entraînement Python peuvent remplacer l'entraînement de bureau tout en utilisant des bibliothèques et étapes d'export pour intégrer avec des stacks d'inférence mobile/web/API.
• Plateformes de préparation et d'étiquetage de datasets : Si votre principal goulot d'étranglement est la création de datasets, des outils dédiés aux datasets peuvent compléter ou remplacer les parties du workflow couvertes par les outils de datasets d'images de Lobe.