#contrastive-learning Dépôts
Découvrez 37 dépôts GitHub open source actifs associés à #contrastive-learning, cumulant 64,082 étoiles au total (soit une moyenne de 1,731 étoiles par projet). Le projet en tête de ce thème est facebookresearch/ImageBind, avec 9,084 étoiles.
37 dépôts au total
Entraînez et évaluez des embeddings pour la recherche par similarité avec PyTorch. Inclut des pertes contrastives, l’extraction d’exemples difficiles, des échantillonneurs et des métriques de recherche.
Une bibliothèque Python pour l’apprentissage auto-supervisé et les modèles de monde latents appliqués aux images.
[NeurIPS 2024] Code officiel pour PuLID : Personnalisation d'identité pure et rapide via alignement contrastif
[ECCV2024] Modèles Fondamentaux Vidéo & Données pour la Compréhension Multimodale
Modèles CLIP" d'imagerie et de vidéo de pointe, grands modèles linguistiques multimodaux, et plus encore !
Une collection d'articles classiques et de pointe de l'industrie dans les domaines de la recommandation/de la publicité/de la recherche. A collection of industry classics and cutting-edge papers in the field of recommendation/advertising/search.
Entraînement tout-en-un pour les modèles de vision (YOLO, ViTs, RT-DETR, DINOv3) : pré-entraînement, fine-tuning, distillation.
Code pour 'LLM2Vec: Large Language Models Are Secretly Powerful Text Encoders'
solo-learn : une bibliothèque de méthodes auto-supervisées pour l'apprentissage de représentations visuelles, alimentée par Pytorch Lightning
Ce dépôt est l'implémentation officielle de Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)
Entraînement et inférence distribués pour la perception multimodale : représentations vectorielles partagées pour le texte, les images, la vidéo, l’audio, le code et les graphes, de 64 à 1 024 dimensions 🖼️
Liste impressionnante pour la recherche sur CLIP (Contrastive Language-Image Pre-Training).
Incorporations latentes apprenables pour l'analyse comportementale et neuronale conjointe – Implémentation officielle de CEBRA
Implémentation PyTorch de SimCLR : Un cadre simple pour l'apprentissage contrastif des représentations visuelles par T. Chen et al.
Une implémentation concise mais complète de CLIP, intégrant diverses améliorations expérimentales issues d’articles récents
Ce dépôt contient le code pour "VLM2Vec / MMEB" [ICLR 2025], "VLM2Vec-V2 / MMEB-V2" [TMLR 2026] et "MMEB-V3" [COLM 2026]
Framework ultra-rapide pour le réglage fin des modèles d'apprentissage de similarité
Boîte à outils et benchmark CAIRI pour l'apprentissage de représentations visuelles supervisé, semi-supervisé et auto-supervisé
EMNLP'22 | MedCLIP: Apprentissage contrastif à partir d'images et de textes médicaux non appariés
[NeurIPS 2020] "Graph Contrastive Learning with Augmentations" par Yuning You, Tianlong Chen, Yongduo Sui, Ting Chen, Zhangyang Wang, Yang Shen
[WSDM'2024 Oral] "SSLRec: Un cadre d'apprentissage auto-supervisé pour la recommandation"
Système de recommandation musicale de titre à titre, entraîné sur 45 millions de titres Spotify et 1,8 million de playlists. (Saisissez un identifiant de titre Spotify / ISRC pour obtenir des morceaux similaires.)
PLUTO : Pousser la limite de la planification basée sur l'apprentissage par imitation pour la conduite autonome
Apprentissage contrastif auto-supervisé pour les séries temporelles via la cohérence temps-fréquence
Foire aux questions
Quel est le dépôt #contrastive-learning le plus populaire sur GitHub ?
Le projet #contrastive-learning open source le mieux classé sur GitHub est facebookresearch/ImageBind, avec 9,084 étoiles. ImageBind Un espace d'intégration pour les lier tous
Quels langages de programmation sont les plus utilisés dans les dépôts #contrastive-learning ?
Parmi les projets #contrastive-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Cuda.
Comment le classement des dépôts #contrastive-learning est-il calculé ?
Nous suivons 37 dépôts open source actifs associés à #contrastive-learning (500+ étoiles), totalisant 64,082 étoiles, avec une moyenne de 1,731 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.