#model-training Dépôts
Découvrez 37 dépôts GitHub open source actifs associés à #model-training, cumulant 187,631 étoiles au total (soit une moyenne de 5,071 étoiles par projet). Le projet en tête de ce thème est ultralytics/yolov5, avec 58,290 étoiles.
37 dépôts au total
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
La véritable histoire déchirante et sombre derrière le développement du grand modèle Pangu de Noah.
Implémentation PyTorch de YOLOv3, YOLOv3-SPP et YOLOv3-tiny pour la détection d'objets en temps réel avec entraînement, validation, inférence et exportation multi-format.
Orchestration distribuée et sûre du point de vue des types d’agents, de pipelines de ML et d’inférence en temps réel sur votre k8s — en Python pur avec async/await, ainsi que dans d’autres langages (Rust, Go et TypeScript)
🚀 Système Génial pour l'Apprentissage Automatique ⚡️ Articles sur les Systèmes IA et Pratiques Industrielles. ⚡️ Système pour l'Apprentissage Automatique, LLM (Large Language Model), GenAI (Generative AI). 🍻 OSDI, NSDI, SIGCOMM, SoCC, MLSys, etc. 🗃️ Llama3, Mistral, etc. 🧑💻 Tutoriels Vidéo.
"Build a Large Language Model (From Scratch)" est un livre électronique qui explore en profondeur les principes et la mise en œuvre des grands modèles linguistiques, s'adressant aux apprenants qui souhaitent comprendre en détail l'architecture, le processus d'entraînement et le développement d'applications de grands modèles tels que GPT. Afin de permettre à davantage de lecteurs chinois d'accéder à ce manuel d'une valeur exceptionnelle, j'ai décidé de le traduire en chinois et de le partager en open source via GitHub.
Cadre open source pour la recherche et le développement de modèles fondamentaux.
[NeurIPS 2026] DataFlex : une référence unifiée et une plateforme d’évaluation pour l’entraînement des grands modèles de langage centré sur les données
🔥🔥Bibliothèque de Reconnaissance Faciale Haute Performance sur PaddlePaddle & PyTorch🔥🔥
Implémentation de Dreambooth (https://arxiv.org/abs/2208.12242) par Textual Inversion (https://arxiv.org/abs/2208.01618) pour Stable Diffusion (https://arxiv.org/abs/2112.10752). Modifications axées sur l'entraînement de visages, d'objets et de styles.
Un algorithme de parallélisme de pipeline bidirectionnel pour le chevauchement calcul-communication dans l'entraînement DeepSeek V3/R1.
Developer Asset Hub pour NVIDIA Nemotron — Une ressource tout-en-un pour les recettes d'entraînement, les manuels d'utilisation, les jeux de données et les exemples de référence complets de bout en bout pour construire avec les modèles Nemotron.
📹 Un framework plus flexible qui peut générer des vidéos à n'importe quelle résolution et créer des vidéos à partir d'images.
prompt2model - Générer des modèles déployables à partir d'instructions en langage naturel
Répertoire pour la formation de modèles de séparation de sources musicales.
Package InstructLab Core. Utilisez-le pour discuter avec un modèle et exécuter le flux de travail InstructLab pour entraîner un modèle à l'aide de données taxonomiques personnalisées.
Système de fichiers natif pour l’IA et le cloud, écrit en Rust. Prise en charge complète de POSIX sur un stockage objet, avec un cache distribué à plusieurs niveaux, pour l’entraînement et l’inférence de l’IA ainsi que pour les agents. Projet Sandbox de la CNCF.
Analyse du code source du modèle de langage léger MiniMind, incluant les processus complets tels que tokenizer, RoPE, MoE, KV Cache, pré-entraînement, SFT, LoRA, DPO.
Une base de code flexible et efficace pour l'entraînement de modèles linguistiques conditionnés visuellement (VLM)
Le programme d'entraînement pour libfacedetection pour la détection de visage et la détection de 5 points de repère.
DiffuCoder : Comprendre et améliorer les modèles de diffusion masqués pour la génération de code
Modèles Fondamentaux Lisibles, Évolutifs et Reproductibles avec Tenseurs Nommés et Jax
Pipeline de détection d'objets YOLOv4/v3/v2 de bout en bout, implémenté sur tf.keras avec différentes technologies
Foire aux questions
Quel est le dépôt #model-training le plus populaire sur GitHub ?
Le projet #model-training open source le mieux classé sur GitHub est ultralytics/yolov5, avec 58,290 étoiles. Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Quels langages de programmation sont les plus utilisés dans les dépôts #model-training ?
Parmi les projets #model-training les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Go, HTML.
Comment le classement des dépôts #model-training est-il calculé ?
Nous suivons 37 dépôts open source actifs associés à #model-training (500+ étoiles), totalisant 187,631 étoiles, avec une moyenne de 5,071 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.