#image-classification Repositorios
Descubre 107 repositorios activos de código abierto de GitHub etiquetados con #image-classification, que acumulan 513,866 estrellas en total (una media de 4,802 estrellas por proyecto). El líder de este tema es ultralytics/ultralytics, con 63,640 estrellas.
107 repositorios en total
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — detección de objetos, segmentación de instancias, segmentación semántica, clasificación de imágenes, estimación de pose y seguimiento de objetos
Ultralytics YOLOv5 en PyTorch para detección de objetos, segmentación de instancias, clasificación, entrenamiento y exportación.
La mayor colección de codificadores de imágenes PyTorch / backbones. Incluyendo scripts de entrenamiento, evaluación, inferencia, exportación y pesos preentrenados -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt y más
Label Studio es una herramienta de etiquetado y anotación de datos de múltiples tipos con formato de salida estandarizado
Implementación de Vision Transformer, una forma sencilla de lograr SOTA en clasificación de visión con un solo codificador transformer en Pytorch
CVAT es una plataforma líder de anotación de datos para conjuntos de datos de imágenes, vídeo, audio y 3D. Ofrece productos de código abierto, en la nube y empresariales, además de servicios de etiquetado, con etiquetado asistido por IA, garantía de calidad, colaboración en equipo, análisis y API para desarrolladores.
Esta es una implementación oficial para "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Código y modelos de PyTorch para el método de aprendizaje autosupervisado DINOv2.
Explicabilidad avanzada de IA para visión por computadora. Soporte para CNN, Vision Transformers, Clasificación, Detección de objetos, Segmentación, Similitud de imágenes y más.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Papers/Código/Interpretaciones/Transmisiones en vivo Colección, Organizado por el Equipo Jimu
Lime: Explicando las predicciones de cualquier clasificador de aprendizaje automático
X-AnyLabeling: Una aplicación de escritorio multiplataforma, ligera, eficiente y unificada para anotar texto, imágenes, vídeos, nubes de puntos y datos multimodales. Combina herramientas integradas versátiles con modelos de IA de última generación y opciones flexibles de exportación en múltiples formatos.
Técnicas para el aprendizaje profundo con imágenes satelitales y aéreas
[CVPR 2024 Oral] InternVL Family: Una alternativa pionera de código abierto a GPT-4o. Un modelo de diálogo multimodal de código abierto con un rendimiento cercano a GPT-4o.
Mejores prácticas, muestras de código y documentación para Computer Vision.
Una colección de tutoriales sobre modelos y técnicas de visión por computadora de vanguardia. Explore todo, desde arquitecturas fundamentales como ResNet hasta modelos de última generación como RF-DETR, YOLO11, SAM 3 y Qwen3-VL.
Experimenta, aprende y codifica las últimas innovaciones disruptivas con Microsoft AI
Un cofre del tesoro para la clasificación y el reconocimiento visual, impulsado por PaddlePaddle
Guía para principiantes absolutos sobre aprendizaje automático y clasificación de imágenes con redes neuronales
Práctica en 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)
Anotar sus propios conjuntos de datos, entrenar, evaluar, probar e implementar sus propios algoritmos de inteligencia artificial
[ICML 2024] Vision Mamba: Aprendizaje eficiente de representaciones visuales con modelos de espacio de estados bidireccionales
Una biblioteca para el aprendizaje por transferencia reutilizando partes de modelos de TensorFlow.
Hoja de ruta de IA: Aprendizaje automático (Machine Learning), Aprendizaje profundo (Deep Learning), Redes neuronales antagónicas (GAN), Redes neuronales de grafos (GNN), PNL, hoja de ruta de desarrollo relacionada con big data (roadmap), con una gran cantidad de código fuente (python, pytorch) para ayudar a digerir los puntos de conocimiento básicos, superar entrevistas y completar el salto de principiante a ingeniero calificado. Entre ellas, los artículos relacionados con aprendizaje profundo incluyen código fuente oficial de tensorflow y caffe, y la parte de aplicaciones contiene algoritmos de recomendación y grafos de conocimiento.
Un marco multiplataforma de estructuración de video (análisis de video) basado en modelos de CV y mLLM.
Imágenes para inferencia sin etiquetado (utilice modelos fundacionales para entrenar modelos supervisados).
Manejo de todos los datos no estructurados, como búsqueda inversa de imágenes, búsqueda de audio, búsqueda molecular, análisis de video, sistemas de preguntas y respuestas, NLP, etc.
Un muestreador de conjuntos de datos desequilibrados (PyTorch) para sobremuestreo de clases de baja frecuencia y submuestreo de clases de alta frecuencia.
Emgu CV es un wrapper .Net multiplataforma para la biblioteca de procesamiento de imágenes OpenCV.
Repositorio oficial de 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Colección de artículos y proyectos de código abierto de ECCV 2024, y todos los expertos son bienvenidos a enviar issues, compartir artículos y proyectos de código abierto de ECCV 2024.
[CVPR 2025] Implementación oficial de PyTorch de MambaVision: Un backbone híbrido Mamba-Transformer para visión
Este recurso apoya los artículos escritos por el autor en CSDN sobre procesamiento de imágenes con Python, centrándose principalmente en la implementación de código para algoritmos de procesamiento de imágenes, reconocimiento de imágenes, clasificación de imágenes, etc. en Python. Espero que este recurso le sea de ayuda, sigamos esforzándonos juntos.
Integrar modelos de aprendizaje profundo para la clasificación de imágenes | Proyecto de aprendizaje/comparación/modificación mágica de la columna vertebral
fastdup es una herramienta potente y gratuita diseñada para generar rápidamente información valiosa a partir de conjuntos de datos de imágenes y videos. Ayuda a mejorar la calidad tanto de las imágenes como de las etiquetas, al tiempo que reduce significativamente los costos de operación de datos, todo ello con una escalabilidad inigualable.
Un framework sin necesidad de programar, basado en PyTorch, para realizar estudios de aprendizaje profundo reproducibles. Ecosistema PyTorch. 🏆 Hasta ahora se han implementado 28 métodos de destilación del conocimiento presentados en TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. 🎁 Se ofrecen modelos entrenados, registros de entrenamiento y configuraciones para garantizar la reproducibilidad y facilitar la evaluación comparativa.
Preguntas frecuentes
¿Cuál es el repositorio de #image-classification más popular en GitHub?
El proyecto de código abierto de #image-classification mejor posicionado en GitHub es ultralytics/ultralytics, con 63,640 estrellas. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — detección de objetos, segmentación de instancias, segmentación semántica, clasificación de imágenes, estimación de pose y seguimiento de objetos
¿Qué lenguajes de programación se utilizan más en los repositorios de #image-classification?
Entre los proyectos de #image-classification mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #image-classification?
Seguimos 107 repositorios activos de código abierto etiquetados con #image-classification (500+ estrellas), que suman un total de 513,866 estrellas, con una media de 4,802 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.