#calibration Repositories
Entdecke 33 aktive Open-Source-GitHub-Repositories, die mit #calibration getaggt sind und insgesamt 82,056 Sterne gesammelt haben (durchschnittlich 2,486 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist NandhaKishorM/laya mit 35,758 Sternen.
Insgesamt 33 Repositories
Nicht-autoregressiver System-1-Entscheidungsmotor. Führt über beliebige Texte in einem einzigen Vorwärtsdurchlauf typisierte Auswahl-, Bewertungs- und Ja/Nein-Entscheidungen in mehr als 100 Sprachen aus – mit einem Router, der für jede Anfrage den passenden Checkpoint auswählt.
OpenCalib: Eine Toolbox für die Multi-Sensor-Kalibrierung für autonomes Fahren
Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche. Eine Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche.
Uncertainty Toolbox: eine Python-Toolbox für prädiktive Unsicherheitsquantifizierung, Kalibrierung, Metriken und Visualisierung
Offene Entscheidungsmodelle von 0,8B bis 27B: eine kalibrierte Wahrscheinlichkeit für jede Option in einem Durchgang und nur bei Unsicherheit ein kurzer Gedankengang. Engine für vLLM, llama.cpp und MLX.
ROS-Paket zur Ermittlung einer Starrkörper-Transformation zwischen einem LiDAR und einer Kamera für die „LiDAR-Kamera-Kalibrierung mittels 3D-3D-Punktkorrespondenzen“
Verwandle jedes LLM in ein Entscheidungsmodell im Jev-Stil: typisierte Entscheidungen, echte Wahrscheinlichkeiten, kein Training. (Wird laufend aktualisiert; Issues und PR-Anfragen sind willkommen)
Ein Werkzeugkasten für die zielose LiDAR-Kamera-Kalibrierung [ROS1/ROS2]
Jev-kompatibler API-Server für offene Entscheidungsmodelle. Ollama für Entscheidungsmodelle: 29 Modellfamilien (Laya, pplx-decider, Clef, Winnow, coba...) lokal herunterladen und ausführen oder hinter /v1/systemone selbst hosten. Das TypeSafe-SDK funktioniert unverändert: Basis-URL festlegen und ein offenes Modell auswählen. CLI, Desktop-App, Docker, MCP-Server und öffentlicher Benchmark.
Vollfarbiger, flacher FDM-Druck mit kalibrierter Mischung der Filamentschichten. Bildfarben und Tonwertdetails reproduzieren, lokale Mischrezepte feinabstimmen und slicerfertige 3MF-Dateien exportieren.
Dieses Repository wird für die automatische Kalibrierung zwischen hochauflösendem LiDAR und Kamera in zielosen Szenen verwendet.
Awesome-LLM-Robustness: eine kuratierte Liste zu Unsicherheit, Zuverlässigkeit und Robustheit in großen Sprachmodellen
Fisheye- oder Normalkamera-Kalibrierung intrinsisch und extrinsisch. Bird-Eye-View-Generator für Umgebungs-Kameras.
Gefleckter Seehund — Phocinae-Largha-150M-v1: ein zweisprachiges Entscheidungsmodell mit 144,3 Mio. Parametern. Kleines Modell. Große Entscheidungen. Kleine Robbe, große Entscheidungen.
LSD (LiDAR SLAM & Detection) ist eine Open-Source-Wahrnehmungsarchitektur für autonome Fahrzeuge/Roboter
Veröffentliche, was du auf Jev entwickelt hast, dem Entscheidungsmodell System One von TypeSafe AI: ein wöchentliches Board, auf dem Entwickler ihre Arbeit vorstellen und andere abstimmen, ergänzt durch einen Index öffentlicher Jev-Beispiele nach Entscheidungsmuster, mit Quellenangaben, datierten Link-Prüfungen und Prüfungen des Textes an den Aufrufstellen; Laufzeit und Performance werden hier nicht unabhängig getestet. EN/中文, JSON-Schema, Plattformmatrix.
Einfach zu bedienende und genaue Hand-Auge-Kalibrierung, die seit Jahren (2016-heute) zuverlässig mit Kinect, Kinect v2, RGBD-Kameras, optischen Trackern und mehreren Robotern einschließlich UR5 und KUKA iiwa funktioniert.
Schnelle, exakte Inferenz für StartLux-Decision-Modelle auf NVIDIA-GPUs: Die veröffentlichten GGUF-Dateien laufen über die /v1/systemone-API auf int8- und 4-Bit-Tensor-Kernen und bieten in FP8 eine bis zu 5,3-mal geringere Latenz als vLLM bei bitidentischen Antworten.
Robuste Odometrie und Kartierung für Multi-LiDAR-Systeme mit Online-Extrinsikkalibrierung
🔥🔥 Awesome Jev: Open-Source-Modelle, Projekte, Benchmarks und unabhängige Bewertungen für Jev- und System-One-Modelle.
Häufig gestellte Fragen
Welches ist das beliebteste #calibration-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#calibration-Projekt auf GitHub ist NandhaKishorM/laya mit 35,758 Sternen. Nicht-autoregressiver System-1-Entscheidungsmotor. Führt über beliebige Texte in einem einzigen Vorwärtsdurchlauf typisierte Auswahl-, Bewertungs- und Ja/Nein-Entscheidungen in mehr als 100 Sprachen aus – mit einem Router, der für jede Anfrage den passenden Checkpoint auswählt.
Welche Programmiersprachen werden in #calibration-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #calibration-Projekten auf GitHub sind Python, C++, HTML, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #calibration-Repositories berechnet?
Wir verfolgen 33 aktive Open-Source-Repositories, die mit #calibration getaggt sind (500+ Sterne), mit insgesamt 82,056 Sternen und durchschnittlich 2,486 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.