#pytorch Dépôts
Découvrez 1,936 dépôts GitHub open source actifs associés à #pytorch, cumulant 7,737,223 étoiles au total (soit une moyenne de 3,996 étoiles par projet). Le projet en tête de ce thème est huggingface/transformers, avec 169,339 étoiles.
1,936 dépôts au total
🤗 Transformers : le framework de définition de modèles pour les modèles d'apprentissage automatique de pointe en texte, vision, audio et modèles multimodaux, à la fois pour l'inférence et l'entraînement.
L’interface graphique, l’API et le backend de modèles de diffusion les plus puissants et modulaires, avec une interface en graphes/nœuds. Le moteur d’inférence local le plus rapide au monde.
Implémentez à partir de zéro un LLM de type ChatGPT dans PyTorch, étape par étape
Un moteur d'inférence et de service pour LLM à haut débit et efficace en mémoire
🧑🏫 60+ implémentations/tutoriels d'articles de deep learning avec des notes côte à côte 📝; y compris les transformers (original, xl, switch, feedback, vit, ...), les optimiseurs (adam, adabelief, sophia, ...), les gans (cyclegan, stylegan2, ...), 🎮 l'apprentissage par renforcement (ppo, dqn), les capsnet, la distillation, ... 🧠
Le dépôt le plus simple et le plus rapide pour entraîner/affiner des GPT de taille moyenne.
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Clonez une voix en 5 secondes pour générer des discours arbitraires en temps réel
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Le dépôt fournit le code pour exécuter l'inférence avec le modèle SegmentAnything (SAM), des liens pour télécharger les points de contrôle du modèle entraîné et des notebooks d'exemple qui montrent comment utiliser le modèle.
Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
🐸💬 - une boîte à outils d'apprentissage profond pour la synthèse vocale, éprouvée en recherche et en production
DeepSpeed est une bibliothèque d'optimisation pour l'apprentissage profond qui rend l'entraînement distribué et l'inférence simples, efficaces et performants.
VoxCPM2 : TTS sans tokenizer pour la génération de parole multilingue, le design vocal créatif et le clonage réaliste
Synthèse d'images à haute résolution avec des modèles de diffusion latente
GFPGAN vise à développer des algorithmes pratiques pour la restauration de visages dans le monde réel.
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
🚀 Clonez une voix en 5 secondes pour générer un discours arbitraire en temps réel
Moteur de décision System 1 non autorégressif. Effectue en une seule passe avant des décisions typées de choix, de notation et oui/non sur n’importe quel texte, dans plus de 100 langues, avec un routeur qui sélectionne le bon checkpoint pour chaque requête.
TimesFM (Time Series Foundation Model) est un modèle fondation pré-entraîné pour les séries temporelles développé par Google Research pour la prévision des séries temporelles.
Detectron2 est une plateforme pour la détection d'objets, la segmentation et d'autres tâches de reconnaissance visuelle.
🤗 Diffusers : Modèles de diffusion à la pointe de la technologie pour la génération d'images, de vidéos et d'audio dans PyTorch.
Real-ESRGAN vise à développer des algorithmes pratiques pour la restauration générale d'images/vidéos.
Visualiseur pour les modèles de réseaux de neurones, d'apprentissage profond et d'apprentissage automatique
Préentraînez, affinez n'importe quel modèle d'IA de n'importe quelle taille sur 1 ou 10 000+ GPU sans aucune modification de code.
OCR prêt à l'emploi avec plus de 80 langues prises en charge et tous les scripts d'écriture populaires, y compris le latin, le chinois, l'arabe, le devanagari, le cyrillique, etc.
🤗 LeRobot: Rendre l'IA pour la robotique plus accessible grâce à l'apprentissage de bout en bout
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Interface graphique pour un suppresseur vocal utilisant des réseaux neuronaux profonds.
Apprentissage profond pour le traitement d'images, incluant la classification et la détection d'objets, etc.
Codes open-source pour MiniGPT-4 et MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Foire aux questions
Quel est le dépôt #pytorch le plus populaire sur GitHub ?
Le projet #pytorch open source le mieux classé sur GitHub est huggingface/transformers, avec 169,339 étoiles. 🤗 Transformers : le framework de définition de modèles pour les modèles d'apprentissage automatique de pointe en texte, vision, audio et modèles multimodaux, à la fois pour l'inférence et l'entraînement.
Quels langages de programmation sont les plus utilisés dans les dépôts #pytorch ?
Parmi les projets #pytorch les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript.
Comment le classement des dépôts #pytorch est-il calculé ?
Nous suivons 1,936 dépôts open source actifs associés à #pytorch (500+ étoiles), totalisant 7,737,223 étoiles, avec une moyenne de 3,996 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.