#zero-shot-learning Dépôts
Découvrez 61 dépôts GitHub open source actifs associés à #zero-shot-learning, cumulant 190,954 étoiles au total (soit une moyenne de 3,130 étoiles par projet). Le projet en tête de ce thème est facebookresearch/segment-anything, avec 53,052 étoiles.
61 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.
InstantID : Génération sans exemple préservant l'identité en quelques secondes 🔥
Dépôt officiel de "SAMURAI: Adapting Segment Anything Model for Zero-Shot Visual Tracking with Motion-Aware Memory"
[NeurIPS 2023] Implémentation officielle du papier "Segment Everything Everywhere All at Once"
Résumé des articles Prompt & LLM, données et modèles open source, applications AIGC
Modèles de base Chinese-LLaMA 1&2, Chinese-Falcon ; Modèle de dialogue chinois ChatFlow ; Modèle Chinese-OpenLLaMA ; Jeux de données de pré-entraînement/ajustement fin des instructions NLP
[Nomination du meilleur article CVPR 2025] FoundationStereo : correspondance stéréo sans supervision (Zero-Shot)
Omnilingual ASR open-source reconnaissance vocale multilingue pour plus de 1600 langues
Sortie du code pour « Détection de vingt mille classes à l'aide d'une supervision au niveau de l'image ».
Dépôt GitHub officiel pour C-Eval, une suite d'évaluation chinoise pour les modèles fondamentaux [NeurIPS 2023]
Ce dépôt contient l'implémentation officielle des articles de recherche « MobileCLIP » CVPR 2024 et « MobileCLIP2 » TMLR Août 2025
[TPAMI 2025] ViewCrafter : Dompter les modèles de diffusion vidéo pour une synthèse de vues nouvelles de haute fidélité
Une collection d'articles sur le thème ``Computer Vision in the Wild (CVinW)''
Ce dépôt contient le code du article CVPR 2022 "Image Segmentation Using Text and Image Prompts".
Publication officielle du code et des points de contrôle pour les modèles fondamentaux de robots mobiles : GNM, ViNT et NoMaD.
Articles impressionnants sur l'extraction d'informations génératives (IE) utilisant de grands modèles linguistiques (LLM)
Implémentation PyTorch officielle d'ODISE : Segmentation Panoptique à Vocabulaire Ouvert avec Modèles de Diffusion Texte-vers-Image [CVPR 2023 Highlight]
SONAR, un nouvel espace d'intégration multilingue et multimodale à taille fixe pour les phrases, avec une suite complète d'encodeurs et de décodeurs vocaux et textuels.
Une liste organisée de publications sur la segmentation sémantique à vocabulaire ouvert et les domaines connexes (par exemple, la segmentation sémantique zero-shot) ressources..
[ICLR2026] codes pour R-Zero : LLM de raisonnement auto-évolutif à partir de zéro données (https://www.arxiv.org/pdf/2508.05004)
Implémentation officielle de « Lotus : Modèle de base visuel basé sur la diffusion pour la prédiction dense de haute qualité »
Une bibliothèque légère pour générer des jeux de données synthétiques d'ajustement d'instructions pour vos données sans GPT.
Une liste organisée d'excellentes méthodes d'apprentissage des invites/adaptateurs pour les modèles vision-langage comme CLIP.
Fusion de Modèles dans les LLMs, MLLMs et au-delà : Méthodes, Théories, Applications et Opportunités. ACM Computing Surveys, 2026.
Le premier modèle comportemental pour contrôler un agent humanoïde virtuel basé sur la physique pour un large éventail de tâches sur tout le corps.
Dépôt officiel pour Splatt3R : Zero-shot Gaussian Splatting à partir de paires d'images non calibrées
Une implémentation concise mais complète de CLIP, intégrant diverses améliorations expérimentales issues d’articles récents
[IJCV] FastComposer : Génération d'images multi-sujets sans réglage avec attention localisée
Rassemblement de 【Applications Python】【Formation pratique Python】【Partage de technologies Python】 etc.
Foire aux questions
Quel est le dépôt #zero-shot-learning le plus populaire sur GitHub ?
Le projet #zero-shot-learning 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 #zero-shot-learning ?
Parmi les projets #zero-shot-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook.
Comment le classement des dépôts #zero-shot-learning est-il calculé ?
Nous suivons 61 dépôts open source actifs associés à #zero-shot-learning (500+ étoiles), totalisant 190,954 étoiles, avec une moyenne de 3,130 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.