#pytorch Dépôts
1,936 dépôts au total
Plateforme d'inférence IA générative et prédictive distribuée standardisée pour un déploiement scalable et multi-framework sur Kubernetes
Modèles Silero : des modèles de synthèse vocale pré-entraînés rendus incroyablement simples
Orchestration GPU tolérante aux pannes, hautement scalable, et un framework d'apprentissage automatique conçu pour entraîner des modèles avec des milliards à des trillions de paramètres
La plateforme de nouvelle génération d'OpenMMLab pour la détection d'objets 3D générale.
Une bibliothèque de réseaux de neurones compatible avec scikit-learn qui encapsule PyTorch
Série temporelle Timeseries Deep Learning Machine Learning Python Pytorch fastai | Bibliothèque Deep Learning de pointe pour les séries temporelles et les séquences en Pytorch / fastai
NanoDet-Plus⚡Modèle de détection d'objets ultra rapide et léger sans ancrage. 🔥Seulement 980 Ko (int8) / 1,8 Mo (fp16) et exécute 97 FPS sur téléphone portable🔥
StyleTTS 2 : Vers une synthèse vocale de niveau humain par diffusion de style et entraînement contradictoire avec de grands modèles linguistiques vocaux
Implémentation du modèle linguistique LLaMA basé sur nanoGPT. Prend en charge le flash attention, la quantification Int8 et GPTQ 4 bits, le réglage fin LoRA et LLaMA-Adapter, le pré-entraînement. Licence Apache 2.0.
Version chinoise de CLIP qui permet la récupération intermodale et la génération de représentations en chinois.
Une implémentation PyTorch de NeRF (Neural Radiance Fields) qui reproduit les résultats.
[ECCV 2022] ByteTrack : Suivi multi-objets en associant chaque boîte de détection
[ICLR 2024] Fine-tuning de LLaMA pour suivre les instructions en 1 heure et 1,2 million de paramètres
Implémentations PyTorch d'algorithmes et d'environnements d'apprentissage par renforcement profond
Implémentez un LLM de raisonnement dans PyTorch à partir de zéro, étape par étape
YOLOv6 : un framework de détection d'objets à un étage dédié aux applications industrielles.
MMdnn est un ensemble d'outils pour aider les utilisateurs à interopérer entre différents frameworks d'apprentissage profond. Par ex. conversion et visualisation de modèles. Convertir des modèles entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX et CoreML.
Une bibliothèque accélérée par GPU contenant des blocs de construction hautement optimisés et un moteur d'exécution pour le traitement des données afin d'accélérer les applications d'entraînement et d'inférence en apprentissage profond.
Depth Pro : Profondeur métrique monoculaire nette en moins d'une seconde.
Wrapper conteneurisé avec Docker, compatible avec OpenAI, pour la synthèse vocale Kokoro-82M, prenant en charge PyTorch sur CPU et GPU AMD et NVIDIA multiplateformes ; plusieurs voix, clonage et réglage de voix, horodatage des sous-titres, SSML, WebSockets et interface web facultative de lecture synchronisée
Tutoriels sur l'implémentation de quelques modèles sequence-to-sequence (seq2seq) avec PyTorch et TorchText.
Un cadre modulaire pour la recherche multimodale en vision et langage de Facebook AI Research (FAIR)
Inférence découpée/tuilée indépendante du framework + UI interactive + tracés d'analyse d'erreurs
Search-R1: Un framework d'entraînement RL efficace et évolutif pour le raisonnement et l'appel de moteurs de recherche basé sur LLM entrelacés avec veRL
Un modèle de clonage vocal TTS rapide et de haute qualité qui atteint des vitesses de 150× en temps réel。
SUPIR vise à développer des algorithmes pratiques pour la restauration d'images photoréalistes dans la nature. Notre nouvelle démo en ligne est également disponible sur suppixel.ai.
Projets et exercices du dernier programme Nanodegree en apprentissage profond https://www.udacity.com/course/deep-learning-nanodegree--nd101
Dépôt de code pour l'apprentissage automatique avec PyTorch et Scikit-Learn
Les outils Core ML contiennent des outils de support pour la conversion, l'édition et la validation des modèles Core ML.
PyTorch Lightning + Hydra. Un modèle très convivial pour l'expérimentation ML. ⚡🔥⚡
Superduper : Framework de bout en bout pour la création d'applications et d'agents IA personnalisés.
Outil de traduction de bandes dessinées assisté par apprentissage profond, prend en charge la traduction automatique en un clic et la modification simple d'images/texte | Yet another computer-aided comic/manga translation tool powered by deeplearning
Tacotron 2 - Implémentation PyTorch avec inférence plus rapide que le temps réel
[ECCV2024] IDM-VTON : Amélioration des modèles de diffusion pour l'essayage virtuel authentique dans la nature
Production d'abord et boîte à outils de reconnaissance vocale de bout en bout prête pour la production
Un modèle simple et entièrement convolutif pour la segmentation d'instances en temps réel.
La boîte à outils et le benchmark de nouvelle génération d'OpenMMLab pour la compréhension vidéo
Une bibliothèque PyTorch pour accélérer la recherche en apprentissage profond 3D
Un framework arbitraire d'échange de visage sur des images et des vidéos avec un seul modèle entraîné !