#caffe Repositorios
Descubre 24 repositorios activos de código abierto de GitHub etiquetados con #caffe, que acumulan 160,514 estrellas en total (una media de 6,688 estrellas por proyecto). El líder de este tema es CMU-Perceptual-Computing-Lab/openpose, con 33,619 estrellas.
24 repositorios en total
OpenPose: Biblioteca de detección de puntos clave en tiempo real para múltiples personas para la estimación del cuerpo, la cara, las manos y los pies
Notebooks de Python para ciencia de datos: Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS y varias líneas de comandos.
ncnn es un framework de inferencia de redes neuronales de alto rendimiento optimizado para plataformas móviles
Mapa de ruta de aprendizaje de inteligencia artificial, recopilación de casi 200 casos y proyectos prácticos, materiales complementarios gratuitos, entrada desde cero bases, práctica para el empleo! Incluye: Python, matemáticas, aprendizaje automático, análisis de datos, aprendizaje profundo, visión por computadora, procesamiento del lenguaje natural, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv y otros campos populares
Guía Hello AI World para implementar redes de inferencia de aprendizaje profundo y primitivas de visión profunda con TensorRT y NVIDIA Jetson.
MMdnn es un conjunto de herramientas para ayudar a los usuarios a interoperar entre diferentes frameworks de aprendizaje profundo. Por ejemplo, conversión y visualización de modelos. Convertir modelos entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX y CoreML.
Guía para principiantes absolutos sobre aprendizaje automático y clasificación de imágenes con redes neuronales
Kit de Visualización de Aprendizaje Profundo (Herramienta de visualización de aprendizaje profundo „Fly Paddle“ )
Un repositorio para almacenar modelos que han sido convertidos entre varios frameworks. Los frameworks compatibles son TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
¡Buen proyecto para el reclutamiento universitario, otoño, primavera y prácticas! Te guiaremos paso a paso para implementar una biblioteca de inferencia de aprendizaje profundo de alto rendimiento, que admita la inferencia de modelos grandes como llama2, Unet, YoloV5, Resnet, etc. Implemente una biblioteca de inferencia de aprendizaje profundo de alto rendimiento paso a paso.
Implementación en Caffe de la red de detección Google MobileNet SSD, con pesos preentrenados en VOC0712 y mAP=0.727.
PPL Quantization Tool (PPQ) es una potente herramienta de cuantización de redes neuronales sin conexión.
Bolt es una biblioteca de aprendizaje profundo con alto rendimiento y flexibilidad heterogénea.
Convertidor de modelos de aprendizaje profundo para PaddlePaddle. (Herramienta de conversión de modelos de aprendizaje profundo 『飞桨』)
Aprendizaje conjunto de características de detección e identificación para la búsqueda de personas
Fabric for Deep Learning (FfDL, pronunciado fiddle) es una Plataforma de Deep Learning que ofrece TensorFlow, Caffe, PyTorch, etc. como Servicio en Kubernetes.
Preguntas frecuentes
¿Cuál es el repositorio de #caffe más popular en GitHub?
El proyecto de código abierto de #caffe mejor posicionado en GitHub es CMU-Perceptual-Computing-Lab/openpose, con 33,619 estrellas. OpenPose: Biblioteca de detección de puntos clave en tiempo real para múltiples personas para la estimación del cuerpo, la cara, las manos y los pies
¿Qué lenguajes de programación se utilizan más en los repositorios de #caffe?
Entre los proyectos de #caffe mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, HTML, Java.
¿Cómo se calcula la clasificación de los repositorios de #caffe?
Seguimos 24 repositorios activos de código abierto etiquetados con #caffe (500+ estrellas), que suman un total de 160,514 estrellas, con una media de 6,688 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.