#computer-vision Dépôts
1,451 dépôts au total
[Nomination du meilleur article CVPR 2025] FoundationStereo : correspondance stéréo sans supervision (Zero-Shot)
Précision moyenne moyenne - Ce code évalue les performances de votre réseau neuronal pour la reconnaissance d'objets.
[NeurIPS 2025] YOLOv12: Détecteurs d'objets en temps réel centrés sur l'attention
Questions d'entretien pour ingénieur algorithmique (direction IA CV) et documents associés
🪞 Échange de visage IA instantané, découvrez une plus belle version de vous-même
Un pipeline de génération de données pour créer des vidéos synthétiques semi-réalistes multi-objets avec des annotations riches telles que des masques de segmentation d'instance, des cartes de profondeur et un flux optique.
GPUImage 3 est un framework Swift sous licence BSD pour le traitement vidéo et image accéléré par GPU utilisant Metal.
Minkowski Engine est une bibliothèque de réseaux de neurones avec auto-différenciation pour les tenseurs clairsemés de haute dimension
[ECCV 2024] Implémentation officielle du papier "Semantic-SAM: Segment and Recognize Anything at Any Granularity"
Résumé des articles liés à l'attention visuelle. Le code associé sera progressivement publié sur Jittor.
Reconnaissance optique de caractères pour le texte japonais, l'accent principal étant mis sur les mangas japonais
Un cours accéléré en six épisodes pour les développeurs de logiciels qui souhaitent devenir praticiens en apprentissage automatique.
Une plateforme d'apprentissage en boucle fermée pour la vision par ordinateur où le code peut être exécuté interactivement en ligne. Apprentissage en boucle fermée "Vision par ordinateur en action : algorithmes et applications" livre électronique chinois, code source, communauté d'échange pour les lecteurs (mise à jour continue ...) 📘 E-book en ligne https://charmve.github.io/computer-vision-in-action/ 👇Page d'accueil du projet
Images pour l'inférence sans étiquetage (utilisez des modèles fondamentaux pour entraîner des modèles supervisés).
Assistant de jardinage intelligent conçu avec React Native, Expo et TypeScript, adapté à toutes les méthodes de culture. Il s’adapte à la culture en terre, en hydroponie, en pot ou en intérieur, grâce à des fonctionnalités tenant compte de la localisation, à l’intégration d’OpenWeather et au diagnostic des plantes par Gemini AI directement sur l’appareil, dans le respect de la vie privée.
CV-CUDA™ est une bibliothèque open-source accélérée par GPU pour le traitement d'images à l'échelle du cloud et la vision par ordinateur.
MLNLP : Ce dépôt répertorie les articles avec code open source issus de conférences sur l'intelligence artificielle (telles que ACL, EMNLP, NAACL, COLING, AAAI, IJCAI, ICLR, NeurIPS, ICML, etc.).
[ICLR 2023] Implémentation officielle du papier "DINO : DETR avec des boîtes d'ancrage débruitées améliorées pour la détection d'objets de bout en bout"
Liste organisée de ressources utiles sur les LLM / l'analytique / la science des données
MusePose : un framework image-à-vidéo piloté par la pose pour la génération d'humains virtuels
Projets de vision par ordinateur | Projets d'IA amusants liés à la vision par ordinateur (Python, C++, systèmes embarqués)
Enregistrement du parcours de croissance d'un ingénieur en algorithmes CV, partage de notes sur la pile technologique de vision par ordinateur et de compression et déploiement de modèles. https://harleyszhang.github.io/cv_note/
Une liste organisée de ressources sur les représentations neuronales implicites.
Ensemble de données DeepFashion2 https://arxiv.org/pdf/1901.07973.pdf
Implémentation PyTorch de Self-Attention Generative Adversarial Networks (SAGAN)
Face Depixelizer basé sur le dépôt "PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models".
Entraîneur de Gaussian Splatting 3D multi-fournisseurs : de la vidéo aux splats, puis au maillage, avec Vulkan ou CUDA.
Plus de 200 fiches pratiques détaillées utiles pour réviser les sujets en apprentissage automatique, vision par ordinateur et informatique.
Supprimer automatiquement les mosaïques dans les images et les vidéos, ou les ajouter.