#resnet Repositories
Entdecke 24 aktive Open-Source-GitHub-Repositories, die mit #resnet getaggt sind und insgesamt 94,726 Sterne gesammelt haben (durchschnittlich 3,946 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist huggingface/pytorch-image-models mit 37,299 Sternen.
Insgesamt 24 Repositories
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
Implementierung beliebter Deep-Learning-Netzwerke mit der TensorRT-Netzwerkdefinitions-API
Tools zur Gestaltung oder Visualisierung der Architektur von Neuralen Netzwerken
Vortrainierte PyTorch-Modelle für Gesichtsdetektion (MTCNN) und Gesichtserkennung (InceptionResnet)
Segmentierungs-Modelle mit vortrainierten Backbones. Keras und TensorFlow Keras.
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)
Gute Projekte für Hochschulabsolventen, Herbstkampagnen, Frühjahrskampagnen und Praktika! Begleitet Sie Schritt für Schritt bei der Implementierung einer Hochleistungs-Deep-Learning-Inferenzbibliothek, die das Schlussfolgern für große Modelle wie Llama2, Unet, YoloV5, Resnet usw. unterstützt. Implementieren Sie Schritt für Schritt eine Hochleistungs-Deep-Learning-Inferenzbibliothek.
DeepLab v3+ Modell in PyTorch. Unterstützt verschiedene Backbones.
Deep-Learning-Modelle für die Bildklassifizierung integrieren | Backbone-Lern-/Vergleichs-/Magie-Modifikationsprojekt
Ein PyTorch-basiertes Deep-Learning-Framework für die multimodale 2D/3D-segmentierung medizinischer Bilder
Auf Forschung und Produktion ausgerichtetes Toolkit für Sprecherverifikation, Sprechererkennung und Sprechersegmentierung
Korrekte Implementierung von ResNet-s für CIFAR10/100 in PyTorch, die der Beschreibung des Originalpapiers entspricht.
Eine Deep-Learning-Bibliothek für die Klassifizierung von EEG-Aufgaben (Signalen), basierend auf TensorFlow.
Erkennung von 21 Schlüsselpunkten der Hand, zweidimensionale Handgestenhaltung, Gestenerkennung, PyTorch, Handpose
Adan: Adaptive Nesterov Momentum Algorithm für schnelleres Optimieren tiefer Modelle
Lesbarer und flexibler Yolov5 mit mehr Backbones (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, etc.) und (cbam, dcn und so weiter) sowie TensorRT
Extrahieren Sie Videofunktionen aus Rohvideos mit mehreren GPUs. Wir unterstützen RAFT-Flow-Frames sowie die Modelle S3D, I3D, R(2+1)D, VGGish, CLIP und TIMM.
Self-Labeling durch simultanes Clustering und Repräsentationslernen. (ICLR 2020)
Code für den Nature Scientific Reports-Artikel "Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks." Ein Sliding-Window-Framework zur Klassifikation von hochauflösenden Whole-Slide-Bildern, oft Mikroskopie- oder Histopathologiebilder.
Häufig gestellte Fragen
Welches ist das beliebteste #resnet-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#resnet-Projekt auf GitHub ist huggingface/pytorch-image-models mit 37,299 Sternen. 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
Welche Programmiersprachen werden in #resnet-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #resnet-Projekten auf GitHub sind Python, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #resnet-Repositories berechnet?
Wir verfolgen 24 aktive Open-Source-Repositories, die mit #resnet getaggt sind (500+ Sterne), mit insgesamt 94,726 Sternen und durchschnittlich 3,946 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.