#zero-shot-learning Repositories
Entdecke 61 aktive Open-Source-GitHub-Repositories, die mit #zero-shot-learning getaggt sind und insgesamt 190,954 Sterne gesammelt haben (durchschnittlich 3,130 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist facebookresearch/segment-anything mit 53,052 Sternen.
Insgesamt 61 Repositories
Das Repository bietet Code zur Ausführung von Inferenz mit dem SegmentAnything Model (SAM), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
Offizielles Repository von "SAMURAI: Adapting Segment Anything Model for Zero-Shot Visual Tracking with Motion-Aware Memory"
[NeurIPS 2023] Offizielle Implementierung des Papers „Segment Everything Everywhere All at Once“
Zusammenfassung von Prompt & LLM-Papieren, Open-Source-Daten & -Modellen, AIGC-Anwendungen
Chinesische LLaMA 1&2, Chinesische Falcon Basismodelle; ChatFlow chinesisches Dialogmodell; Chinesisches OpenLLaMA-Modell; NLP-Vortraining/Anweisungsfeinabstimmung Datensätze
[CVPR 2025 Best Paper Nomination] FoundationStereo: Zero-Shot Stereo Matching
Omnilingual ASR Open-Source mehrsprachige Spracherkennung für über 1600 Sprachen
Code-Veröffentlichung für "Erkennung von zwanzigtausend Klassen mit bildbezogener Überwachung".
Offizielles GitHub-Repository für C-Eval, eine chinesische Bewertungssuite für Basismodelle [NeurIPS 2023]
Dieses Repository enthält die offizielle Implementierung der Forschungsarbeiten "MobileCLIP" CVPR 2024 und "MobileCLIP2" TMLR August 2025
[TPAMI 2025] ViewCrafter: Zähmung von Video-Diffusionsmodellen für hochgradig originalgetreue neuartige Ansichtssynthese
Eine Sammlung von Arbeiten zum Thema ``Computer Vision in the Wild (CVinW)''
Dieses Repository enthält den Code für das CVPR 2022 Paper "Image Segmentation Using Text and Image Prompts".
Offizielle Veröffentlichung von Code und Checkpoints für Foundation Models für mobile Roboter: GNM, ViNT und NoMaD.
Hervorragende Arbeiten zur generativen Informationsextraktion (IE) unter Verwendung großer Sprachmodelle (LLMs)
Offizielle PyTorch-Implementierung von ODISE: Open-Vocabulary Panoptic Segmentation mit Text-zu-Bild-Diffusionsmodellen [CVPR 2023 Highlight]
SONAR, ein neuer mehrsprachiger und multimodaler Embedding-Raum für Sätze fester Größe, mit einer vollständigen Suite von Sprach- und Text-Encodern und -Decodern.
Eine kuratierte Veröffentlichungsliste zu Open-Vokabular-semantischer Segmentierung und verwandten Bereichen (z. B. Zero-Shot-semantische Segmentierung) Ressourcen..
[ICLR2026] Codes für R-Zero: Selbstentwickelnde Reasoning-LLM aus Null-Daten (https://www.arxiv.org/pdf/2508.05004)
Offizielle Implementierung von „Lotus: Diffusionsbasiertes visuelles Grundmodell für hochqualitative dichte Vorhersage“
Eine leichtgewichtige Bibliothek zum Generieren synthetischer Instruktionsdatensätze für Ihre Daten ohne GPT.
Eine kuratierte Liste von hervorragenden Prompt/Adapter-Lernmethoden für Vision-Language-Modelle wie CLIP.
Modellzusammenführung in LLMs, MLLMs und darüber hinaus: Methoden, Theorien, Anwendungen und Möglichkeiten. ACM Computing Surveys, 2026.
Das erste verhaltensbasierte Modell, das einen virtuellen physikbasierten humanoiden Agenten für eine Vielzahl von Ganzkörperaufgaben steuert.
Offizielles Repository für Splatt3R: Zero-shot Gaussian Splatting aus unkalibrierten Bildpaaren
Eine kompakte, aber vollständige Implementierung von CLIP mit verschiedenen experimentellen Verbesserungen aus aktuellen Forschungsarbeiten
[IJCV] FastComposer: Abstimmungsfreie Multi-Subjekt-Bilderzeugung mit lokalisierter Aufmerksamkeit
Zusammenfassung von 【Python-Anwendungen】【Python-Realtraining】【Python-Technologie-Sharing】 usw.
Häufig gestellte Fragen
Welches ist das beliebteste #zero-shot-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#zero-shot-learning-Projekt auf GitHub ist facebookresearch/segment-anything mit 53,052 Sternen. Das Repository bietet Code zur Ausführung von Inferenz mit dem SegmentAnything Model (SAM), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
Welche Programmiersprachen werden in #zero-shot-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #zero-shot-learning-Projekten auf GitHub sind Python, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #zero-shot-learning-Repositories berechnet?
Wir verfolgen 61 aktive Open-Source-Repositories, die mit #zero-shot-learning getaggt sind (500+ Sterne), mit insgesamt 190,954 Sternen und durchschnittlich 3,130 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.