English | 简体中文

AdaFlow: Pipeline Frameworks for Deep-Learning Applications

📘简介

AdaFlow是一个跨模态、跨平台的流式计算框架，它为NN模型推理、构建、部署提供了统一的解决方案

✨主要特性

• 灵活地插件化设计
  • 通过组合不同插件组件，用户可以便捷地编排自定义多模型推理pipeline
• 强大的音视频处理插件
  • 数百个可跨平台使用的GStreamer* plugins，包含音视频编解码、各种分流合流等常用功能插件
• 丰富的模型
  • 基于第一大模型库ModelScope，设置模型ID即可在pipeline里拉取、运行modelscope模型
• 简单易用
  • 开箱即用的Docker镜像和pipeline服务化，支持低代码JSON描述及运行pipeline

⚡️快速开始

🛠️环境配置

AdaFlow支持多种方式的环境配置，开发者可根据自己需求选择任意安装方式

1.docker镜像

AdaFlow提供了官方镜像，无需配置环境，轻松上手
docker镜像版本及地址

2.安装AdaFlow包

使用Conda可安装完整的AdaFlow包

第一步：conda包安装
conda install adaflow
第二步：python依赖安装
python3 -m pip install adaflow-python

当前的包只适合linux-x86_64平台.

更详细的安装信息可参考Installation

3.源码安装

开发者通过源码编译安装AdaFlow及配置其运行环境
源码编译及环境配置

⏩主要功能快速体验

通用目标检测模型及其结果可视化

adaflow launch ./modules/adaflow-python/test/detection_repo real_detector --task_path ./modules/adaflow-python/test/detection_repo/task/real_detector/task.json 

📖开发指南

• 入门教程
  • 基础教程1:创建和运行第一个pipeline
  • 基础教程2:单模型pipeline搭建
  • 基础教程3:多模型并联pipeline搭建
  • 基础教程4:TensorRT模型部署
• 进阶教程
  • AdaFlow插件详解
  • pipeline的构建
  • CLI工具
  • 编写扩展代码
  • pipeline和其他概念
  • pipeline服务化

🙌贡献指南

技术路线

建议使用GitHub Issues来提出建议或者指出问题。

成为AdaFlow贡献者

我们感谢所有为了改进AdaFlow而做的贡献，也欢迎社区用户积极参与到本项目中来。请在提交PR之前阅读以下指南:

• 源码编译
• 包发行
• 编码准则

📄License

本项目的发布受Apache 2.0 license许可认证。