#image-classification Dépôts
Découvrez 107 dépôts GitHub open source actifs associés à #image-classification, cumulant 513,866 étoiles au total (soit une moyenne de 4,802 étoiles par projet). Le projet en tête de ce thème est ultralytics/ultralytics, avec 63,640 étoiles.
107 dépôts au total
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.
La plus grande collection d'encodeurs d'images PyTorch / backbones. Incluant des scripts d'entraînement, d'évaluation, d'inférence, d'exportation et des poids pré-entraînés -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, et plus
Label Studio est un outil d'étiquetage et d'annotation de données multi-types avec un format de sortie standardisé
Implémentation du Vision Transformer, un moyen simple d'atteindre le SOTA en classification visuelle avec un seul encodeur transformer dans Pytorch
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.
Ceci est une implémentation officielle pour "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
Explicabilité avancée de l'IA pour la vision par ordinateur. Support pour CNN, Vision Transformers, Classification, Détection d'objets, Segmentation, Similarité d'images et plus.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Articles/Code/Interprétations/Collection de Diffusions en Direct, Organisé par l'Équipe Jimu
Lime : Explication des prédictions de tout classificateur d'apprentissage automatique
X-AnyLabeling : une application de bureau multiplateforme, légère, efficace et unifiée pour annoter du texte, des images, des vidéos, des nuages de points et des données multimodales. Elle associe des outils intégrés polyvalents à des modèles d’IA de pointe et permet une exportation flexible dans plusieurs formats.
Techniques d'apprentissage profond avec des images satellites et aériennes
[CVPR 2024 Oral] InternVL Family : Une alternative open-source pionnière à GPT-4o. Un modèle de dialogue multimodal open-source aux performances proches de GPT-4o.
Meilleures pratiques, exemples de code et documentation pour la Vision par ordinateur.
Une collection de tutoriels sur les modèles et techniques de vision par ordinateur à la pointe de la technologie. Explorez tout, des architectures fondamentales comme ResNet aux modèles de pointe comme RF-DETR, YOLO11, SAM 3 et Qwen3-VL.
Expérimentez, apprenez et codez les dernières innovations révolutionnaires avec Microsoft AI
Un coffre au trésor pour la classification et la reconnaissance visuelles, propulsé par PaddlePaddle
Guide pour débutants absolus de l’apprentissage automatique et de la classification d’images avec des réseaux neuronaux
Pratique sur cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Annoter ses propres ensembles de données, entraîner, évaluer, tester et déployer ses propres algorithmes d'intelligence artificielle
[ICML 2024] Vision Mamba : Apprentissage efficace de représentations visuelles avec un modèle d'espace d'états bidirectionnel
Une bibliothèque pour l'apprentissage par transfert en réutilisant des parties de modèles TensorFlow.
Feuille de route IA : Apprentissage automatique (Machine Learning), Apprentissage profond (Deep Learning), Réseaux antagonistes (GAN), Réseaux de neurones graphiques (GNN), NLP, feuille de route de développement liée aux big data (roadmap), avec une quantité massive de code source (python, pytorch) pour aider à digérer les points de connaissance de base, surmonter les entretiens et accomplir le saut du débutant à l'ingénieur qualifié. Parmi eux, les articles sur l'apprentissage profond sont accompagnés du code source officiel de tensorflow et caffe, et la partie applications inclut des algorithmes de recommandation et des graphes de connaissances.
Un framework multiplateforme de structuration vidéo (analyse vidéo) basé sur des modèles CV et mLLM.
Images pour l'inférence sans étiquetage (utilisez des modèles fondamentaux pour entraîner des modèles supervisés).
Gestion de toutes les données non structurées, telles que la recherche inversée d'images, la recherche audio, la recherche moléculaire, l'analyse vidéo, les systèmes de questions-réponses, NLP, etc.
Un échantillonneur de jeux de données déséquilibrés (PyTorch) pour le suréchantillonnage des classes peu fréquentes et le sous-échantillonnage des classes très fréquentes.
Emgu CV est un wrapper .Net multiplateforme pour la bibliothèque de traitement d'images OpenCV.
Dépôt officiel de 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Collection d'articles et de projets open-source ECCV 2024, et tous les grands experts sont les bienvenus pour soumettre des issues, partager des articles et des projets open-source ECCV 2024.
[CVPR 2025] Implémentation officielle PyTorch de MambaVision : un backbone hybride Mamba-Transformer pour la vision
Cette ressource soutient la rédaction d'articles de l'auteur sur CSDN concernant le traitement d'images Python, principalement l'implémentation de code pour des algorithmes tels que le traitement d'images, la reconnaissance d'images, la classification d'images, etc. en Python. J'espère que cette ressource vous sera utile, travaillons ensemble pour y parvenir.
Intégrer des modèles d'apprentissage profond pour la classification d'images | Projet d'apprentissage/comparaison/modification magique de l'épine dorsale
fastdup est un outil puissant et gratuit conçu pour générer rapidement des informations précieuses à partir d'ensembles de données d'images et de vidéos. Il aide à améliorer la qualité des images et des étiquettes, tout en réduisant considérablement les coûts d'exploitation des données, le tout avec une évolutivité inégalée.
Un framework sans code basé sur PyTorch pour mener des études d’apprentissage profond reproductibles. Écosystème PyTorch. 🏆 À ce jour, 28 méthodes de distillation des connaissances présentées à TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. ont été implémentées. 🎁 Des modèles entraînés, des journaux d’entraînement et des configurations sont disponibles pour garantir la reproductibilité et faciliter l’évaluation comparative.
Foire aux questions
Quel est le dépôt #image-classification le plus populaire sur GitHub ?
Le projet #image-classification open source le mieux classé sur GitHub est ultralytics/ultralytics, avec 63,640 étoiles. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Quels langages de programmation sont les plus utilisés dans les dépôts #image-classification ?
Parmi les projets #image-classification les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #image-classification est-il calculé ?
Nous suivons 107 dépôts open source actifs associés à #image-classification (500+ étoiles), totalisant 513,866 étoiles, avec une moyenne de 4,802 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.