#transformer-models Dépôts
Découvrez 102 dépôts GitHub open source actifs associés à #transformer-models, cumulant 342,474 étoiles au total (soit une moyenne de 3,357 étoiles par projet). Le projet en tête de ce thème est facebookresearch/segment-anything, avec 53,052 étoiles.
102 dépôts au total
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.
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.
Blocs de construction Transformers hackables et optimisés, prenant en charge une construction composable.
Implémentation officielle du code de la théorie générale de l'OCR : vers l'OCR-2.0 via un modèle unifié de bout en bout
Zonos-v0.1 est un modèle de synthèse vocale open-weight de premier plan, entraîné sur plus de 200 000 heures de parole multilingue variée, offrant une expressivité et une qualité comparables, voire supérieures, aux meilleurs fournisseurs de TTS.
DeepSeek-Coder-V2 : Briser la barrière des modèles propriétaires en matière d'intelligence du code
Code pour l'article "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Une liste finalement complète de papiers sur Vision Transformer/Attention, incluant papiers, codes et sites Web associés
[NeurIPS 2023] Implémentation officielle du papier "Segment Everything Everywhere All at Once"
Qwen3-omni est un LLM omnimodal natif de bout en bout, développé par l'équipe Qwen d'Alibaba Cloud, capable de comprendre le texte, l'audio, les images et la vidéo, ainsi que de générer la parole en temps réel.
Une bibliothèque pour l'interprétabilité mécaniste des modèles de langage de style GPT
[CVPR 2024 Highlight] FoundationPose : Estimation et suivi unifiés de la pose 6D d'objets nouveaux
Compteur de FLOPs pour les réseaux de neurones dans le framework PyTorch
Entraînement minimaliste de grands modèles linguistiques avec parallélisme 3D
Répertoire pour la formation de modèles de séparation de sources musicales.
solo-learn : une bibliothèque de méthodes auto-supervisées pour l'apprentissage de représentations visuelles, alimentée par Pytorch Lightning
Ressources pour le suivi d'objets multiples (MOT)
Octo est une politique robotique basée sur un transformateur et entraînée sur un mélange diversifié de 800 000 trajectoires de robot.
Une plongée en profondeur dans toute l'histoire de l'apprentissage profond
Package Swift pour implémenter une API de type transformers en Swift
Granite Code Models : une famille de modèles fondamentaux ouverts pour l'intelligence du code
LLM Transparency Tool (LLM-TT), une boîte à outils interactive open-source pour analyser le fonctionnement interne des modèles linguistiques basés sur Transformer. *Découvrez la démo sur* https://huggingface.co/spaces/facebook/llm-transparency-tool-demo
Une liste organisée de modèles fondamentaux pour les tâches de vision et de langage
Allegro est un puissant modèle texte-vidéo qui génère des vidéos de haute qualité jusqu'à 6 secondes à 15 FPS et une résolution de 720p à partir d'une simple saisie de texte.
[CVPR 2021 & IJCV 2024] Repenser la segmentation sémantique du point de vue d'une séquence à séquence avec des Transformers
Foire aux questions
Quel est le dépôt #transformer-models le plus populaire sur GitHub ?
Le projet #transformer-models open source le mieux classé sur GitHub est facebookresearch/segment-anything, avec 53,052 étoiles. 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.
Quels langages de programmation sont les plus utilisés dans les dépôts #transformer-models ?
Parmi les projets #transformer-models les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Swift.
Comment le classement des dépôts #transformer-models est-il calculé ?
Nous suivons 102 dépôts open source actifs associés à #transformer-models (500+ étoiles), totalisant 342,474 étoiles, avec une moyenne de 3,357 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.