#imagenet Dépôts
Découvrez 26 dépôts GitHub open source actifs associés à #imagenet, cumulant 117,164 étoiles au total (soit une moyenne de 4,506 étoiles par projet). Le projet en tête de ce thème est huggingface/pytorch-image-models, avec 37,299 étoiles.
26 dépôts au total
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
Ceci est une implémentation officielle pour "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Modèles de segmentation sémantique avec plus de 500 backbones convolutifs et basés sur des transformers pré-entraînés.
Backbones IA efficaces incluant GhostNet, TNT et MLP, développés par Huawei Noah's Ark Lab.
Modèles fondamentaux de vision efficaces pour la génération et la perception à haute résolution.
DAMO-YOLO : une méthode de détection d'objets rapide et précise avec de nouvelles technologies, notamment des backbones NAS, un RepGFPN efficace, ZeroHead, AlignedOTA et une amélioration par distillation.
CVNets : Une bibliothèque pour entraîner des réseaux de vision par ordinateur
Un guide de démarrage rapide et un benchmark pour l'entraînement distribué de PyTorch.
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.
[CVPR 2025 Oral] Reconstruction vs. Génération : apprivoiser le dilemme d'optimisation dans les modèles de diffusion latente
Implémentation Keras de "One pixel attack for fooling deep neural networks" utilisant l'évolution différentielle sur Cifar10 et ImageNet
L'implémentation Tensorflow, Keras de U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET et Swin-UNET avec des backbones optionnels pré-entraînés sur ImageNet.
Dataset Management Framework, une bibliothèque Python et un outil CLI pour construire, analyser et gérer des ensembles de données de vision par ordinateur.
Boîte à outils et benchmark CAIRI pour l'apprentissage de représentations visuelles supervisé, semi-supervisé et auto-supervisé
Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficientdet,edgenext,efficientformer,efficientnet,eva,fasternet,fastervit,fastvit,flexivit,gcvit,ghostnet,gpvit,hornet,hiera,iformer,inceptionnext,lcnet,levit,maxvit,mobilevit,moganet,nat,nfnets,pvt,swin,tinynet,tinyvit,uniformer,volo,vanillanet,yolor,yolov7,yolov8,yolox,gpt2,llama2, alias kecam
RectLabel est un outil d'annotation d'images hors ligne pour la détection d'objets et la segmentation.
Foire aux questions
Quel est le dépôt #imagenet le plus populaire sur GitHub ?
Le projet #imagenet open source le mieux classé sur GitHub est huggingface/pytorch-image-models, avec 37,299 étoiles. 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
Quels langages de programmation sont les plus utilisés dans les dépôts #imagenet ?
Parmi les projets #imagenet les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, Cuda.
Comment le classement des dépôts #imagenet est-il calculé ?
Nous suivons 26 dépôts open source actifs associés à #imagenet (500+ étoiles), totalisant 117,164 étoiles, avec une moyenne de 4,506 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.