#image-classification Repositories
Entdecke 107 aktive Open-Source-GitHub-Repositories, die mit #image-classification getaggt sind und insgesamt 513,866 Sterne gesammelt haben (durchschnittlich 4,802 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ultralytics/ultralytics mit 63,640 Sternen.
Insgesamt 107 Repositories
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Bildklassifizierung, Posenschätzung und Objektverfolgung
Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
Die größte Sammlung von PyTorch-Bildencodern / Backbones. Einschließlich Trainings-, Eval-, Inferenz-, Export-Skripte und vortrainierte Gewichte -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt und mehr
Label Studio ist ein Tool zur Beschriftung und Annotation von Daten mehrerer Typen mit standardisiertem Ausgabeformat
Implementierung des Vision Transformer, ein einfacher Weg, um Spitzenleistungen in der visuellen Klassifizierung mit nur einem einzigen Transformer-Encoder in Pytorch zu erzielen
CVAT ist eine führende Datenannotationsplattform für Bild-, Video-, Audio- und 3D-Datensätze. Sie bietet Open-Source-, Cloud- und Enterprise-Produkte sowie Labeling-Dienste mit KI-gestützter Annotation, Qualitätssicherung, Teamzusammenarbeit, Analysen und APIs für Entwickler.
Dies ist eine offizielle Implementierung für "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.
Erweiterte KI-Erklärbarkeit für Computer Vision. Unterstützung für CNNs, Vision Transformers, Klassifikation, Objekterkennung, Segmentierung, Bildähnlichkeit und mehr.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Papers/Code/Interpretationen/Live-Übertragungen Sammlung, von Jimu Team zusammengestellt
X-AnyLabeling: Eine schlanke, effiziente und einheitliche plattformübergreifende Desktop-Anwendung zur Annotation von Texten, Bildern, Videos, Punktwolken und multimodalen Daten. Sie kombiniert vielseitige integrierte Werkzeuge mit modernsten KI-Modellen und flexiblen Exportmöglichkeiten in mehreren Formaten.
Techniken für Deep Learning mit Satelliten- und Luftbildern
[CVPR 2024 Oral] InternVL Family: Eine bahnbrechende Open-Source-Alternative zu GPT-4o. Ein Open-Source-multimodales Dialogmodell, das die Leistung von GPT-4o erreicht.
Best Practices, Code-Beispiele und Dokumentation für Computer Vision.
Eine Sammlung von Tutorials zu hochmodernen Computer-Vision-Modellen und -Techniken. Entdecken Sie alles von grundlegenden Architekturen wie ResNet bis hin zu Spitzenmodellen wie RF-DETR, YOLO11, SAM 3 und Qwen3-VL.
Erleben, Lernen und Codieren Sie die neuesten bahnbrechenden Innovationen mit Microsoft AI
Eine Schatzkiste für visuelle Klassifizierung und Erkennung, angetrieben von PaddlePaddle
Ein Leitfaden für absolute Anfänger zu maschinellem Lernen und Bildklassifikation mit neuronalen Netzen
Übung auf cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Eigene Datensätze annotieren, eigene Algorithmen für künstliche Intelligenz trainieren, bewerten, testen und bereitstellen
[ICML 2024] Vision Mamba: Effizientes Lernen visueller Repräsentationen mit bidirektionalen Zustandsraummodellen
Eine Bibliothek für Transfer Learning durch Wiederverwendung von Teilen von TensorFlow-Modellen.
AI Roadmap: Maschinelles Lernen (Machine Learning), Deep Learning, Generative Adversarische Netzwerke (GAN), Graph Neural Networks (GNN), NLP, Big Data bezogene Entwicklungsroutenpläne (Roadmap), mit einer Fülle von Quellcode (Python, PyTorch), um grundlegende Wissenspunkte zu verdauen, Vorstellungsgespräche zu meistern und den Sprung vom Anfänger zum qualifizierten Ingenieur zu meistern. Darunter befinden sich offizielle Quellcodes von TensorFlow und Caffe für Deep-Learning-Papiere, und der Anwendungsabschnitt enthält Empfehlungsalgorithmen und Wissensgraphen.
Ein plattformübergreifendes Framework zur Videostrukturierung (Videoanalyse) basierend auf CV-Modellen und mLLM.
Bilder zur Inferenz ohne Beschriftung (verwenden Sie Basismodelle, um beaufsichtigte Modelle zu trainieren).
Umgang mit allen unstrukturierten Daten, wie z. B. umgekehrte Bildsuche, Audio-Suche, Molekularsuche, Videoanalyse, Frage-Antwort-Systeme, NLP usw.
Die Sammlung von vortrainierten, hochmodernen KI-Modellen für das ailia SDK
Ein (PyTorch) Sampler für unausgewogene Datensätze, der seltene Klassen übersampelt und häufige Klassen untersampelt.
Emgu CV ist ein plattformübergreifender .Net-Wrapper für die OpenCV-Bibliothek zur Bildverarbeitung.
Offizielles Repository von 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Sammlung von ECCV 2024-Papieren und Open-Source-Projekten, und alle Experten sind ebenfalls herzlich eingeladen, Issues einzureichen und ECCV 2024-Papiere und Open-Source-Projekte zu teilen.
[CVPR 2025] Offizielle PyTorch-Implementierung von MambaVision: Ein hybrides Mamba-Transformer-Vision-Backbone
Diese Ressource unterstützt die Artikel des Autors über Python-Bildverarbeitung auf CSDN und konzentriert sich hauptsächlich auf die Implementierung von Algorithmen zur Bildverarbeitung, Bilderkennung und Bildklassifizierung in Python. Wir hoffen, dass diese Ressource Ihnen hilft, und lassen Sie uns gemeinsam unser Bestes geben.
Deep-Learning-Modelle für die Bildklassifizierung integrieren | Backbone-Lern-/Vergleichs-/Magie-Modifikationsprojekt
fastdup ist ein leistungsstarkes, kostenloses Tool, das entwickelt wurde, um schnell wertvolle Einblicke aus Bild- und Videodatensätzen zu gewinnen. Es hilft, die Qualität von Bildern und Labels zu verbessern, während die Kosten für den Datenbetrieb erheblich gesenkt werden, und das alles bei unübertroffener Skalierbarkeit.
Ein codefreies, auf PyTorch basierendes Framework für reproduzierbare Deep-Learning-Studien. PyTorch-Ökosystem. 🏆 Bislang wurden 28 Methoden zur Wissensdestillation implementiert, die auf TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI usw. vorgestellt wurden. 🎁 Trainierte Modelle, Trainingsprotokolle und Konfigurationen stehen zur Verfügung, um die Reproduzierbarkeit sicherzustellen und Benchmarking zu ermöglichen.
Häufig gestellte Fragen
Welches ist das beliebteste #image-classification-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#image-classification-Projekt auf GitHub ist ultralytics/ultralytics mit 63,640 Sternen. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Bildklassifizierung, Posenschätzung und Objektverfolgung
Welche Programmiersprachen werden in #image-classification-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #image-classification-Projekten auf GitHub sind Python, Jupyter Notebook, C++, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #image-classification-Repositories berechnet?
Wir verfolgen 107 aktive Open-Source-Repositories, die mit #image-classification getaggt sind (500+ Sterne), mit insgesamt 513,866 Sternen und durchschnittlich 4,802 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.