#imagenet Repositorios
Descubre 26 repositorios activos de código abierto de GitHub etiquetados con #imagenet, que acumulan 117,164 estrellas en total (una media de 4,506 estrellas por proyecto). El líder de este tema es huggingface/pytorch-image-models, con 37,299 estrellas.
26 repositorios en total
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
Esta es una implementación oficial para "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Modelos de segmentación semántica con más de 500 backbones convolucionales y basados en transformadores preentrenados.
Backbones de IA eficientes que incluyen GhostNet, TNT y MLP, desarrollados por Huawei Noah's Ark Lab.
Modelos fundamentales de visión eficientes para la generación y percepción de alta resolución.
DAMO-YOLO: un método de detección de objetos rápido y preciso con algunas nuevas tecnologías, que incluyen backbones NAS, RepGFPN eficiente, ZeroHead, AlignedOTA y mejora por destilación.
CVNets: Una biblioteca para entrenar redes de visión por computadora
Una guía de inicio rápido y benchmark para el entrenamiento distribuido de PyTorch.
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.
[CVPR 2025 Oral] Reconstrucción vs. Generación: Dominando el dilema de optimización en modelos de difusión latente
Implementación en Keras de "One pixel attack for fooling deep neural networks" usando evolución diferencial en Cifar10 e ImageNet
La implementación de Tensorflow, Keras de U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET y Swin-UNET con backbones opcionales pre-entrenados en ImageNet.
Dataset Management Framework, una biblioteca Python y una herramienta CLI para construir, analizar y gestionar conjuntos de datos de visión por computadora.
CAIRI Toolbox y Benchmark para el Aprendizaje de Representaciones Visuales Supervisado, Semi-Supervisado y Auto-Supervisado
Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficientdet,edgenext,efficientformer,efficientnet,eva,fasternet,fastervit,fastvit,flexivit,gcvit,ghostnet,gpvit,hornet,hiera,iformer,inceptionnext,lcnet,levit,maxvit,mobilevit,moganet,nat,nfnets,pvt,swin,tinynet,tinyvit,uniformer,volo,vanillanet,yolor,yolov7,yolov8,yolox,gpt2,llama2, alias kecam
RectLabel es una herramienta de anotación de imágenes offline para detección de objetos y segmentación.
Preguntas frecuentes
¿Cuál es el repositorio de #imagenet más popular en GitHub?
El proyecto de código abierto de #imagenet mejor posicionado en GitHub es huggingface/pytorch-image-models, con 37,299 estrellas. 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
¿Qué lenguajes de programación se utilizan más en los repositorios de #imagenet?
Entre los proyectos de #imagenet mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, Cuda.
¿Cómo se calcula la clasificación de los repositorios de #imagenet?
Seguimos 26 repositorios activos de código abierto etiquetados con #imagenet (500+ estrellas), que suman un total de 117,164 estrellas, con una media de 4,506 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.