#computer-vision Dépôts
Découvrez 1,451 dépôts GitHub open source actifs associés à #computer-vision, cumulant 4,670,277 étoiles au total (soit une moyenne de 3,218 étoiles par projet). Le projet en tête de ce thème est opencv/opencv, avec 91,666 étoiles.
1,451 dépôts au total
Apprenez l’ingénierie de l’IA ! Apprenez-la. Construisez-la. Mettez-la à la disposition des autres.
Une liste organisée d'excellents frameworks, bibliothèques et logiciels d'apprentissage automatique.
《Plongez dans l'apprentissage profond》 : Pour les lecteurs chinois, exécutable et discutables. Les versions chinoise et anglaise sont utilisées pour l'enseignement dans plus de 500 universités de plus de 70 pays.
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
500 questions sur l'apprentissage profond, présentées sous forme de questions-réponses pour expliquer des sujets chauds tels que les connaissances courantes en probabilité, algèbre linéaire, apprentissage automatique, apprentissage profond, vision par ordinateur, etc., afin d'aider moi-même et les lecteurs dans le besoin. L'ensemble du livre est divisé en 18 chapitres, plus de 500 000 mots. En raison d'un niveau limité, je demande instamment aux lecteurs de critiquer et corriger toute partie inappropriée dans le livre. À suivre............ Si intéressé par une coopération, contactez [email protected] Tous droits réservés, la violation sera poursuivie Tan 2018.06
Le dépôt fournit le code pour exécuter l'inférence avec le modèle SegmentAnything (SAM), des liens pour télécharger les points de contrôle du modèle entraîné et des notebooks d'exemple qui montrent comment utiliser le modèle.
Synthèse d'images à haute résolution avec des modèles de diffusion latente
500 projets IA Machine learning Deep learning Vision par ordinateur NLP avec code
Solutions ML multiplateformes et personnalisables pour les médias en direct et en streaming.
Detectron2 est une plateforme pour la détection d'objets, la segmentation et d'autres tâches de reconnaissance visuelle.
OpenPose : Bibliothèque de détection de points clés multi-personnes en temps réel pour l'estimation du corps, du visage, des mains et des pieds
Label Studio est un outil d'étiquetage et d'annotation de données multi-types avec un format de sortie standardisé
📚 Articles et blogs tech d'entreprises partageant leur travail sur la science des données et l'apprentissage automatique en production.
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Un simple outil d'analyse d'écran pour un agent d'interface graphique basé sur la vision pure
Implémentation du Vision Transformer, un moyen simple d'atteindre le SOTA en classification visuelle avec un seul encodeur transformer dans Pytorch
Assistant Arknights, un outil en un clic pour les tâches quotidiennes, prend en charge tous les clients. | Arknights Assistant, a one-click tool for daily tasks, supporting all clients.
✅(Terminé) Notes super complètes sur l'apprentissage profond 【Tuduī PyTorch】【Li Mu Apprentissage profond pratique】【Andrew Ng Deep Learning】【Dafei Agents de grands modèles】
Implémentation de référence originale de "3D Gaussian Splatting for Real-Time Radiance Field Rendering"
Un ensemble d'exemples autour de Pytorch dans les domaines de la vision, du texte, de l'apprentissage par renforcement, etc.
Une liste organisée d'incroyables ressources en vision par ordinateur
YC (S26) | Screenpipe repère les tâches qui méritent d’être automatisées | Enregistrez en continu votre activité sur ordinateur en local, découvrez les flux de travail récurrents et transmettez le résultat à l’agent que vous utilisez déjà.
🤗 Le plus grand hub de jeux de données prêts à l'emploi pour les modèles d'IA avec des outils de manipulation de données rapides, faciles à utiliser et efficaces
Qwen3-VL est la série de grands modèles linguistiques multimodaux développée par l'équipe Qwen d'Alibaba Cloud.
Le dépôt fournit le code pour exécuter l'inférence avec le Meta Segment Anything Model 2 (SAM 2), des liens pour télécharger les points de contrôle du modèle entraîné et des exemples de notebooks qui montrent comment utiliser le modèle.
Simulateur open source pour véhicules autonomes construit sur Unreal Engine / Unity, par Microsoft AI & Research
Jeux de données, Transformations et Modèles spécifiques à la Vision par Ordinateur
Primitives graphiques neuronales instantanées : NeRF ultra-rapide et plus encore
CVAT est une plateforme de premier plan pour l’annotation de données d’images, de vidéos, d’audio et de jeux de données 3D. Elle propose des produits open source, cloud et d’entreprise, ainsi que des services d’annotation, avec annotation assistée par IA, assurance qualité, collaboration en équipe, analyses et API pour développeurs.
Une liste complète de contenu lié à Pytorch sur GitHub, tels que différents modèles, implémentations, bibliothèques d'assistance, tutoriels, etc.
Annotation d'images avec Python. Prend en charge les polygones, rectangles, cercles, lignes, points et l'annotation assistée par IA.
Animate Anyone : Synthèse d'image à vidéo cohérente et contrôlable pour l'animation de personnages
Foire aux questions
Quel est le dépôt #computer-vision le plus populaire sur GitHub ?
Le projet #computer-vision open source le mieux classé sur GitHub est opencv/opencv, avec 91,666 étoiles. Bibliothèque de Vision par Ordinateur Open Source
Quels langages de programmation sont les plus utilisés dans les dépôts #computer-vision ?
Parmi les projets #computer-vision les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #computer-vision est-il calculé ?
Nous suivons 1,451 dépôts open source actifs associés à #computer-vision (500+ étoiles), totalisant 4,670,277 étoiles, avec une moyenne de 3,218 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.