#pytorch Dépôts
1,936 dépôts au total
[ECCVW 2022] Les codes pour le travail « Swin-Unet : Transformer pur de type Unet pour la segmentation d'images médicales »
YOLO5Face : Pourquoi réinventer un détecteur de visages (https://arxiv.org/abs/2105.12931) Ateliers ECCV 2022)
Algorithmes ML 2-2000x plus rapides, 50 % d'utilisation de mémoire en moins, fonctionne sur tout le matériel - neuf et ancien.
Grands Modèles Conceptuels : Modélisation du langage dans un espace de représentation de phrases
V-Express vise à générer une vidéo de tête parlante sous le contrôle d'une image de référence, d'un audio et d'une séquence d'images V-Kps.
Objectron est un jeu de données de courts clips vidéo centrés sur des objets. De plus, les vidéos contiennent également des métadonnées de session AR, incluant les poses de la caméra, des nuages de points épars et des plans. Dans chaque vidéo, la caméra se déplace autour et au-dessus de l'objet et le capture sous différents angles de vue. Chaque objet est annoté avec une boîte englobante 3D. La boîte englobante 3D décrit la position, l'orientation et les dimensions de l'objet. Le jeu de données contient environ 15 000 clips vidéo annotés et 4 millions d'images annotées dans les catégories suivantes.
Exécutez les modèles Mixtral-8x7B dans Colab ou sur des ordinateurs de bureau grand public
Un échantillonneur de jeux de données déséquilibrés (PyTorch) pour le suréchantillonnage des classes peu fréquentes et le sous-échantillonnage des classes très fréquentes.
🔎 Surveillez l'entraînement du modèle d'apprentissage profond et l'utilisation du matériel depuis votre téléphone portable 📱
Une plateforme pour la recherche et l'évaluation reproductibles des modèles du monde
DocLayout-YOLO : Amélioration de l'analyse de la mise en page des documents grâce à des données synthétiques diverses et à une perception adaptative du global au local
Code pour "GVHMR: World-Grounded Human Motion Recovery via Gravity-View Coordinates", Siggraph Asia 2024, TPAMI 2026
Un benchmark hétérogène pour la recherche d'informations. Facile à utiliser, évaluez vos modèles sur plus de 15 jeux de données IR diversifiés.
detrex est une plateforme de recherche pour la détection d'objets basée sur DETR, la segmentation, l'estimation de pose et d'autres tâches de reconnaissance visuelle.
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
Cartes d'activation de classe pour vos modèles PyTorch (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Code officiel du document d'atelier CVPR 2022 (oral) « Extracting Triangular 3D Models, Materials, and Lighting From Images ».
VeOmni : Mise à l'échelle de la formation de modèles de toute modalité avec une bibliothèque distribuée de recettes centrée sur le modèle
Implémentation PyTorch d'OpenPose incluant l'estimation de la pose des mains et du corps.
ICCV2019 - Apprendre à Peindre avec l'Apprentissage par Renforcement Profond Basé sur un Modèle
HiFi-GAN : Réseaux Génératifs Antagonistes (GAN) pour une Synthèse Vocale Efficace et Haute Fidélité
Framework minimaliste d'entraînement distribué 4D-parallélisme à des fins éducatives
De nombreuses études ont montré que les performances en apprentissage profond sont considérablement affectées par le volume des données d'entraînement. Le projet MedicalNet fournit une série de modèles pré-entraînés 3D-ResNet et le code relatif.
Implémentation minimale de l'optimisation de politique proximale d'objectif tronqué (PPO) dans PyTorch
dépôt officiel du modèle linguistique de grande taille pour le code aiXcoder-7B
[ICLR 2026] π^3: Apprentissage de la géométrie visuelle permutationalement équivariante
Une bibliothèque pour entraîner et déployer des modèles d'apprentissage automatique sur Amazon SageMaker
micronet, une bibliothèque de compression et de déploiement de modèles. Compression : 1、quantification : entraînement conscient de la quantification(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternaire et Binaire(TWN/BNN/XNOR-Net) ; quantification post-entraînement(PTQ), 8-bit(tensorrt) ; 2、élagage : normal、régulier et élagage de canaux convolutifs en groupe ; 3、structure de convolution en groupe ; 4、fusion de normalisation par lots pour la quantification. Déploiement : tensorrt, fp32/fp16/in
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python en utilisant les bibliothèques Scikit-Learn, PyTorch et Hugging Face.
label-smooth, amsoftmax, partial-fc, focal-loss, triplet-loss, lovasz-softmax. Peut-être utile
Réseaux de Neurones Profonds Multi-Tâches pour la Compréhension du Langage Naturel
Collection de code commun partagé entre différents projets de recherche de l'équipe de vision par ordinateur FAIR.
Une bibliothèque et un framework open source pour le deep learning sur l'imagerie satellitaire et aérienne.
Réseau Neuronal Convolutif (CNN) Pytorch 3D U-Net conçu pour la segmentation d'images médicales
Code pour le document ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Le dépôt officiel pour [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" et [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Estimation rapide et précise de la pose humaine en PyTorch. Contient l'implémentation de l'article "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Ce package contient des modèles d'apprentissage profond et des scripts associés pour RoseTTAFold
SpikingJelly est un framework d'apprentissage profond open-source pour les Réseaux de Neurones à Impulsions (SNN) basé sur PyTorch.