#deep-learning Dépôts
2,273 dépôts au total
Un framework Python minimal pour la construction de serveurs d'inférence IA personnalisés avec un contrôle total sur la logique, le traitement par lots et la mise à l'échelle.
Reconnaissance de texte (reconnaissance optique de caractères) avec des méthodes d'apprentissage profond, ICCV 2019
SuperGlue : Apprentissage de la Correspondance de Caractéristiques avec des Réseaux de Neurones Graphiques (CVPR 2020, Oral)
Le moyen le plus simple et le plus paresseux de construire des applications LLM multi-agents.
📈 La plus grande base de données et collection d'articles sur la détection des défauts industriels à l'heure actuelle. Résumé constant des ensembles de données open source et des articles critiques dans le domaine de la recherche sur les défauts de surface, qui revêtent une grande importance.
[ICML 2024] Vision Mamba : Apprentissage efficace de représentations visuelles avec un modèle d'espace d'états bidirectionnel
VILA est une famille de modèles de langage visuel (VLM) de pointe pour diverses tâches d'IA multimodales dans les environnements edge, de centre de données et cloud.
Tutoriel d'introduction à PyTorch, adresse de lecture en ligne : https://datawhalechina.github.io/thorough-pytorch/
Codec audio de pointe basé sur l'apprentissage profond prenant en charge l'audio mono 24 kHz et l'audio stéréo 48 kHz.
Liste de papiers et ensembles de données pour la détection d'anomalies/défauts d'images industrielles (en cours de mise à jour). Bibliothèque de recherche d'articles et de jeux de données sur la détection d'anomalies/défauts industriels (mise à jour continue).
Facilitant la conception, la comparaison et le partage de modèles de correspondance de texte profond.
Scenic : Une bibliothèque Jax pour la recherche en vision par ordinateur et au-delà
Bibliothèque d'apprentissage par transfert pour l'adaptation de domaine, l'adaptation de tâche et la généralisation de domaine
Une bibliothèque Python pour l’apprentissage auto-supervisé et les modèles de monde latents appliqués aux images.
DeepVariant est un pipeline d'analyse qui utilise un réseau de neurones profonds pour appeler des variantes génétiques à partir de données de séquençage d'ADN de nouvelle génération.
Tutoriels et ressources sélectionnés pour les grands modèles de langage, Text2SQL, Text2DSL, Text2API, Text2Vis et plus encore.
Une collection de méthodes scientifiques, de processus, d'algorithmes et de systèmes pour construire des histoires et des modèles.
Version améliorée des modèles probabilistes de diffusion par débruitage
Le dépôt fournit le code pour exécuter l'inférence avec le Modèle Audio Segment Anything de Meta (SAM-Audio), des liens pour télécharger les points de contrôle du modèle entraîné et des cahiers d'exemples montrant comment utiliser le modèle.
Le dépôt fournit le code pour exécuter l'inférence avec le SAM 3D Body Model (3DB), des liens pour télécharger les points de contrôle du modèle entraîné et les jeux de données, ainsi que des carnets d'exemples montrant comment utiliser le modèle.
[CVPR 2024 Highlight] FoundationPose : Estimation et suivi unifiés de la pose 6D d'objets nouveaux
Apporter des modèles de diffusion stables aux navigateurs Web. Tout s'exécute à l'intérieur du navigateur sans support serveur.
[ICLR 2025] Hallo2 : Animation de portraits pilotée par l'audio sur longue durée et haute résolution
SoulX-Podcast est une base de code d'inférence de l'équipe Soul AI pour générer des podcasts haute-fidélité à partir de texte.
Une collection de papiers de recherche et d'enquêtes sur les techniques de publicité display basées sur l'enchère en temps réel (RTB)
Ressources pour la Vision Basée sur les Événements. Effort communautaire pour collecter des connaissances sur la technologie de vision basée sur les événements (articles, ateliers, ensembles de données, code, vidéos, etc.)
Ressources en trading quantitatif/algorithmique avec un accent sur Machine Learning
🧠💬 Articles que j'ai écrits sur l'apprentissage automatique, archivés depuis MachineCurve.com.
Probablement la meilleure liste curated de logiciels de data science en Python.
🔥 Code TensorFlow pour le rapport technique : « YOLOv3 : An Incremental Improvement »
Une bibliothèque pour accélérer les modèles Transformer sur les GPU NVIDIA, y compris l'utilisation de la précision flottante 8 bits et 4 bits (FP8 et FP4) sur les GPU Hopper, Ada et Blackwell, afin d'offrir de meilleures performances avec une utilisation de mémoire réduite en entraînement et en inférence.
Introduction rapide à la théorie et à la pratique appliquée de l'IA : bases, Transformer, NLP, ML, DL, compétitions. Comprend de nombreux commentaires et ensembles de données, dans le but de permettre à chacun de comprendre et de reproduire.
[CVPR 2022] Modèle de Mouvement Thin-Plate Spline pour l'Animation d'Images.
🔥🔥Bibliothèque de Reconnaissance Faciale Haute Performance sur PaddlePaddle & PyTorch🔥🔥