#pytorch Dépôts
1,936 dépôts au total
Un framework très simple pour le traitement automatique du langage naturel (NLP) de pointe
Mise en œuvre de l'article - YOLOv7 : Les ensembles de techniques d'entraînement "bag-of-freebies" établissent un nouvel état de l'art pour les détecteurs d'objets en temps réel
Version PyTorch de Stable Baselines, implémentations fiables d'algorithmes d'apprentissage par renforcement.
Synthèse d'images haute résolution avec des modèles de diffusion latente
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
Code pour loralib, une implémentation de "LoRA: Low-Rank Adaptation of Large Language Models"
Ce dépôt contient les codes de "A Lip Sync Expert Is All You Need for Speech to Lip Generation In the Wild", publié à l'ACM Multimedia 2020. Pour le modèle commercial HD, essayez Sync Labs.
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.
🏄 Incrustation évolutive, raisonnement, classement pour les images et les phrases avec CLIP
La boîte à outils d'entraînement ultime pour le réglage fin des modèles de diffusion
Le PyTorch Incroyable : une liste curatée de tutoriels, articles, projets, communautés et plus encore relatifs à PyTorch.
Feuille de route d'apprentissage en intelligence artificielle, compilation de près de 200 cas pratiques et projets, manuels complémentaires gratuits, entrée pour débutants absolus, pratique pour l'emploi ! Inclut : Python, mathématiques, apprentissage automatique, analyse de données, apprentissage profond, vision par ordinateur, traitement du langage naturel, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv et autres domaines populaires
Le dépôt fournit le code pour exécuter l'inférence et le réglage fin avec le Meta Segment Anything Model 3 (SAM 3), des liens pour télécharger les points de contrôle du modèle entraîné, et des cahiers d'exemples qui montrent comment utiliser le modèle.
OCR chinois ultra-léger, prend en charge la reconnaissance de texte vertical, compatible avec l'inférence ncnn, mnn, tnn (dbnet(1.8M) + crnn(2.5M) + anglenet(378KB)), modèle total de seulement 4.7M
🍀 Implémentation Pytorch de divers mécanismes d'attention, MLP, re-paramétrage, convolution, qui sont utiles pour mieux comprendre les articles.⭐⭐⭐
Modèles de segmentation sémantique avec plus de 500 backbones convolutifs et basés sur des transformers pré-entraînés.
Framework low-code pour construire des LLMs personnalisés, des réseaux neuronaux et d'autres modèles d'IA
Ce dépôt contient des démos que j'ai réalisées avec la bibliothèque Transformers de HuggingFace.
Moshi est un modèle fondamental parole-texte et un framework de dialogue vocal full-duplex. Il utilise Mimi, un codec audio neuronal en streaming de pointe.
La plateforme pour les développeurs d'IA. Utilisez Weights & Biases pour entraîner et affiner les modèles, et gérer les modèles de l'expérimentation à la production.
Transcription vocale en temps réel et locale avec ASR en streaming, diarisation des locuteurs, traduction et API compatibles avec OpenAI/Deepgram.
Le projet open source Python "Sur le chemin de l'apprentissage de la programmation", tutoriel niveau baby-sitter : Laboratoire d'IA, Vidéos précieuses, Structures de données, Guide d'apprentissage, Mise en pratique du Machine Learning, Mise en pratique du Deep Learning, Web scraping, Interviews dans de grandes entreprises, Vie de programmeur, Partage de ressources.
Une bibliothèque élégante PyTorch pour l'apprentissage par renforcement profond.
Implémentation de U-Net en PyTorch pour la segmentation sémantique d'images avec des images de haute qualité
[CVPR 2024] Dépôt officiel pour "MagicAnimate: Temporally Consistent Human Image Animation using Diffusion Model"
Blocs de construction neuronaux pour la diarisation des locuteurs : détection d'activité vocale, détection de changement de locuteur, détection de parole chevauchante, embedding du locuteur
Inférence de génération de texte de grands modèles linguistiques
Silero VAD : Détecteur d'activité vocale pré-entraîné de niveau professionnel
Implémentation en un seul fichier de haute qualité d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités conviviales pour la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Affinez les LLM à partir d'un YAML. Le streaming par couches entraîne un modèle 8B sur un GPU de laptop de 4 Go.
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.
StreamDiffusion : Une solution au niveau du pipeline pour la génération interactive en temps réel
YOLOX est un YOLO haute performance sans ancres, surpassant yolov3~v5 avec la prise en charge de MegEngine, ONNX, TensorRT, ncnn et OpenVINO. Documentation : https://yolox.readthedocs.io/