#pytorch Repositories
Insgesamt 1,936 Repositories
Die Codes für die Arbeit „Swin-Unet: Unet-ähnlicher reiner Transformer für die medizinische Bildsegmentierung“ [ECCVW 2022]
YOLO5Face: Warum einen Gesichtserkenner neu erfinden (https://arxiv.org/abs/2105.12931) ECCV Workshops 2022)
2-2000x schnellere ML-Algorithmen, 50 % weniger Speicherverbrauch, funktioniert auf allen Hardware - neu und alt.
Große Konzeptmodelle: Sprachmodellierung in einem Satzrepräsentationsraum
V-Express zielt darauf ab, ein sprechendes Kopfvideo zu generieren, das durch ein Referenzbild, eine Audiodatei und eine Sequenz von V-Kps-Bildern gesteuert wird.
Objectron ist ein Datensatz kurzer, objektzentrierter Videoclips. Zusätzlich enthalten die Videos AR-Sitzungsmetadaten, einschließlich Kamera-Posen, sparsamer Punktwolken und Ebenen. In jedem Video bewegt sich die Kamera um und über dem Objekt herum und erfasst es aus verschiedenen Blickwinkeln. Jedes Objekt ist mit einer 3D-Begrenzungsbox annotiert. Die 3D-Begrenzungsbox beschreibt die Position, Orientierung und Abmessungen des Objekts. Der Datensatz enthält etwa 15.000 annotierte Videoclips und 4 Millionen annotierte Bilder in den folgenden Kategorien.
Führen Sie Mixtral-8x7B-Modelle in Colab oder auf Consumer-Desktops aus
Ein (PyTorch) Sampler für unausgewogene Datensätze, der seltene Klassen übersampelt und häufige Klassen untersampelt.
🔎 Überwachen Sie das Training von Deep-Learning-Modellen und die Hardware-Nutzung von Ihrem Mobiltelefon 📱
Eine Plattform für reproduzierbare Forschung und Bewertung von Weltmodellen
DocLayout-YOLO: Verbesserung der Dokumentlayoutanalyse durch vielfältige synthetische Daten und adaptive globale-zu-lokale Wahrnehmung
Code für "GVHMR: World-Grounded Human Motion Recovery via Gravity-View Coordinates", Siggraph Asia 2024, TPAMI 2026
Ein heterogener Benchmark für Information Retrieval. Einfach zu bedienen, evaluieren Sie Ihre Modelle über 15+ verschiedene IR-Datensätze.
detrex ist eine Forschungsplattform für DETR-basierte Objekterkennung, Segmentierung, Posenschätzung und andere visuelle Erkennungsaufgaben.
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Klassenaktivierungskarten für Ihre PyTorch-Modelle (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Offizieller Code für den CVPR 2022 (mündlichen) Beitrag „Extracting Triangular 3D Models, Materials, and Lighting From Images“.
VeOmni: Skalierung des Trainings beliebiger Modalitätsmodelle mit einem modellzentrierten verteilten Rezept-Zoo
PyTorch-Implementierung von OpenPose inklusive Hand- und Körperposenschätzung.
ICCV2019 - Lernen, mit modellbasiertem tiefem Reinforcement Learning zu malen
HiFi-GAN: Generative Adversarial Networks für effiziente und hochgradig originalgetreue Sprachsynthese
Minimalistischer 4D-paralleler verteilter Trainingsrahmen für Bildungszwecke
Viele Studien haben gezeigt, dass die Leistung auf Deep Learning erheblich vom Umfang der Trainingsdaten beeinflusst wird. Das MedicalNet-Projekt stellt eine Reihe von vortrainierten 3D-ResNet-Modellen und den dazugehörigen Code bereit.
Minimale Implementierung des abgeschnittenen Objekts Proximal Policy Optimization (PPO) in PyTorch
Eine Bibliothek zum Trainieren und Bereitstellen von Machine-Learning-Modellen auf Amazon SageMaker
micronet, eine Bibliothek für Modellkompression und Deployment. Kompression: 1、Quantisierung: Quantisierungs-bewusstes Training(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternary and Binary(TWN/BNN/XNOR-Net); Post-Training-Quantisierung(PTQ), 8-Bit(tensorrt); 2、Pruning: normal、regular and group convolutional channel pruning; 3、Gruppenkonvolutionsstruktur; 4、Batch-Normalisierungs-Fusion für Quantisierung. Deployment: tensorrt, fp32/fp16/in
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit den Bibliotheken Scikit-Learn, PyTorch und Hugging Face führen.
label-smooth, amsoftmax, partial-fc, focal-loss, triplet-loss, lovasz-softmax. Vielleicht nützlich
Sammlung von gemeinsamem Code, der zwischen verschiedenen Forschungsprojekten im FAIR Computer Vision Team geteilt wird.
Corridor Key 2.0 für all Ihre Anforderungen an Greenscreen und Bluescreen
Eine Open-Source-Bibliothek und ein Framework für Deep Learning auf Satelliten- und Luftbildern.
Pytorch 3D U-Net Convolutional Neural Network (CNN) für die medizinische Bildsegmentierung
Code für das ICLR 2023-Paper "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Das offizielle Repository für [NeurIPS'22] „ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation“ und [TPAMI'23] „ViTPose++: Vision Transformer for Generic Body Pose Estimation“
Schnelle und genaue Human-Pose-Schätzung in PyTorch. Enthält die Implementierung des Papers "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Dieses Paket enthält Deep-Learning-Modelle und zugehörige Skripte für RoseTTAFold
SpikingJelly ist ein Open-Source-Deep-Learning-Framework für Spiking Neural Networks (SNN) basierend auf PyTorch.