#contrastive-learning Repositorios
Descubre 37 repositorios activos de código abierto de GitHub etiquetados con #contrastive-learning, que acumulan 64,082 estrellas en total (una media de 1,731 estrellas por proyecto). El líder de este tema es facebookresearch/ImageBind, con 9,084 estrellas.
37 repositorios en total
Entrena y evalúa embeddings para búsquedas por similitud con PyTorch. Incluye pérdidas contrastivas, minería de ejemplos difíciles, muestreadores y métricas de recuperación.
Una biblioteca de Python para el aprendizaje autosupervisado y los modelos de mundo latentes aplicados a imágenes.
[NeurIPS 2024] Código oficial para PuLID: Personalización de ID pura y ultrarrápida a través de alineación contrastiva
[ECCV2024] Modelos Fundamentales de Video y Datos para la Comprensión Multimodal
¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!
Una colección de artículos clásicos y de vanguardia de la industria en los campos de recomendación/publicidad/búsqueda. A collection of industry classics and cutting-edge papers in the field of recommendation/advertising/search.
Entrenamiento todo en uno para modelos de visión (YOLO, ViTs, RT-DETR, DINOv3): preentrenamiento, ajuste fino, destilación.
Código para 'LLM2Vec: Large Language Models Are Secretly Powerful Text Encoders'
solo-learn: una biblioteca de métodos auto-supervisados para el aprendizaje de representaciones visuales impulsada por Pytorch Lightning
Este repositorio es la implementación oficial de Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)
Entrenamiento e inferencia distribuidos para la percepción multimodal: embeddings compartidos para texto, imágenes, vídeo, audio, código y grafos, de 64 a 1024 dimensiones 🖼️
Impresionante lista para la investigación sobre CLIP (Contrastive Language-Image Pre-Training).
Incrustaciones latentes aprendibles para análisis conductual y neuronal conjunto - Implementación oficial de CEBRA
Implementación en PyTorch de SimCLR: Un marco simple para el aprendizaje contrastivo de representaciones visuales por T. Chen et al.
Una implementación concisa pero completa de CLIP, con diversas mejoras experimentales propuestas en artículos recientes
Este repositorio contiene el código de "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] y "MMEB-V3" [COLM 2026]
Framework ultrarrápido para el ajuste fino de modelos de aprendizaje de similaridad
CAIRI Toolbox y Benchmark para el Aprendizaje de Representaciones Visuales Supervisado, Semi-Supervisado y Auto-Supervisado
EMNLP'22 | MedCLIP: Aprendizaje contrastivo a partir de imágenes y textos médicos no emparejados
[NeurIPS 2020] "Graph Contrastive Learning with Augmentations" por Yuning You, Tianlong Chen, Yongduo Sui, Ting Chen, Zhangyang Wang, Yang Shen
[WSDM'2024 Oral] "SSLRec: Un marco de aprendizaje autosupervisado para recomendaciones"
Sistema de recomendación musical entre canciones, entrenado con 45 millones de canciones de Spotify y 1,8 millones de listas de reproducción. (Introduce un ID de canción de Spotify / ISRC y obtén canciones similares).
PLUTO: Empujando el límite de la planificación basada en aprendizaje de imitación para la conducción autónoma
Aprendizaje contrastivo auto-supervisado para series temporales a través de la consistencia tiempo-frecuencia
Preguntas frecuentes
¿Cuál es el repositorio de #contrastive-learning más popular en GitHub?
El proyecto de código abierto de #contrastive-learning mejor posicionado en GitHub es facebookresearch/ImageBind, con 9,084 estrellas. ImageBind Un Espacio de Incrustación para Unirlos a Todos
¿Qué lenguajes de programación se utilizan más en los repositorios de #contrastive-learning?
Entre los proyectos de #contrastive-learning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, Cuda.
¿Cómo se calcula la clasificación de los repositorios de #contrastive-learning?
Seguimos 37 repositorios activos de código abierto etiquetados con #contrastive-learning (500+ estrellas), que suman un total de 64,082 estrellas, con una media de 1,731 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.