#pytorch Repositorios
1,936 repositorios en total
[ECCVW 2022] Los códigos para el trabajo "Swin-Unet: Transformer puro similar a Unet para la segmentación de imágenes médicas"
YOLO5Face: Por qué reinventar un detector de rostros (https://arxiv.org/abs/2105.12931) Talleres ECCV 2022)
Algoritmos de ML 2-2000x más rápidos, 50% menos uso de memoria, funciona en todo hardware - nuevo y viejo.
Grandes Modelos Conceptuales: Modelado del lenguaje en un espacio de representación de oraciones
V-Express tiene como objetivo generar un video de cabeza parlante bajo el control de una imagen de referencia, un audio y una secuencia de imágenes V-Kps.
Objectron es un conjunto de datos de clips de video cortos centrados en objetos. Además, los videos también contienen metadatos de sesión AR, incluyendo poses de la cámara, nubes de puntos dispersas y planos. En cada video, la cámara se mueve alrededor y por encima del objeto y lo captura desde diferentes vistas. Cada objeto está anotado con una caja delimitadora 3D. La caja delimitadora 3D describe la posición, orientación y dimensiones del objeto. El conjunto de datos contiene alrededor de 15K clips de video anotados y 4M imágenes anotadas en las siguientes categorías.
Un muestreador de conjuntos de datos desequilibrados (PyTorch) para sobremuestreo de clases de baja frecuencia y submuestreo de clases de alta frecuencia.
🔎 Monitorea el entrenamiento de modelos de aprendizaje profundo y el uso de hardware desde tu teléfono móvil 📱
Una plataforma para investigación y evaluación reproducible de modelos del mundo
DocLayout-YOLO: Mejora del análisis de diseño de documentos a través de datos sintéticos diversos y percepción adaptativa de global a local
Código para "GVHMR: World-Grounded Human Motion Recovery via Gravity-View Coordinates", Siggraph Asia 2024, TPAMI 2026
Un benchmark heterogéneo para la recuperación de información. Fácil de usar, evalúe sus modelos en más de 15 conjuntos de datos de IR diversos.
detrex es una plataforma de investigación para la detección de objetos basada en DETR, segmentación, estimación de pose y otras tareas de reconocimiento visual.
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Mapas de activación de clase para sus modelos de PyTorch (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Código oficial del artículo (oral) de CVPR 2022 "Extracting Triangular 3D Models, Materials, and Lighting From Images".
VeOmni: Escalando el entrenamiento de modelos de cualquier modalidad con un zoológico de recetas distribuidas centrado en el modelo
Implementación de OpenPose en PyTorch que incluye estimación de poses de manos y cuerpo.
ICCV2019 - Aprendiendo a Pintar con Aprendizaje por Refuerzo Profundo Basado en Modelos
HiFi-GAN: Redes Generativas Antagónicas para Síntesis de Voz Eficiente y de Alta Fidelidad
Framework de entrenamiento distribuido de paralelismo 4D minimalista para fines educativos
Muchos estudios han demostrado que el rendimiento en el aprendizaje profundo se ve significativamente afectado por el volumen de datos de entrenamiento. El proyecto MedicalNet proporciona una serie de modelos pre-entrenados 3D-ResNet y el código relativo.
Implementación mínima de la Optimización de Política Próxima (PPO) con objetivo recortado en PyTorch
repositorio oficial del modelo de lenguaje grande de código aiXcoder-7B
Una biblioteca para entrenar e implementar modelos de aprendizaje automático en Amazon SageMaker
micronet, una biblioteca de compresión y despliegue de modelos. Compresión: 1、Cuantización: entrenamiento consciente de cuantización(QAT), Alto-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Bajo-Bit(≤2b)/Ternario y Binario(TWN/BNN/XNOR-Net); cuantización post-entrenamiento(PTQ), 8-bit(tensorrt); 2、poda: normal、regular y poda de canales convolucionales en grupo; 3、estructura de convolución en grupo; 4、fusión de normalización por lotes para cuantización. Despliegue: tensorrt, fp32/fp16/in
Una serie de cuadernos de Jupyter que te guían a través de los fundamentos del aprendizaje automático y el aprendizaje profundo en Python utilizando las bibliotecas Scikit-Learn, PyTorch y Hugging Face.
label-smooth, amsoftmax, partial-fc, focal-loss, triplet-loss, lovasz-softmax. Tal vez útil
Redes Neuronales Profundas Multi-Tarea para el Entendimiento del Lenguaje Natural
Colección de código común compartido entre diferentes proyectos de investigación del equipo de visión por computadora de FAIR.
Corridor Key 2.0 para todas tus necesidades de pantalla verde y azul
Una biblioteca y framework de código abierto para el aprendizaje profundo en imágenes satelitales y aéreas.
Red Neuronal Convolucional (CNN) Pytorch 3D U-Net diseñada para la segmentación de imágenes médicas
Código para el artículo de ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
El repositorio oficial para [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" y [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Estimación rápida y precisa de la pose humana en PyTorch. Contiene la implementación del artículo "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Este paquete contiene modelos de aprendizaje profundo y scripts relacionados para RoseTTAFold
SpikingJelly es un framework de aprendizaje profundo de código abierto para Redes Neuronales de Impulsos (SNN) basado en PyTorch.