#data-augmentation Repository
Scopri 46 repository GitHub open source attivi contrassegnati con #data-augmentation, che raccolgono un totale di 80,183 stelle (con una media di 1,743 stelle per progetto). Il progetto leader di questo argomento è open-mmlab/mmcv, con 6,490 stelle.
46 repository in totale
Un sistema per generare rapidamente dati di addestramento con supervisione debole
Una libreria accelerata da GPU che contiene blocchi di costruzione altamente ottimizzati e un motore di esecuzione per l'elaborazione dei dati, per accelerare applicazioni di addestramento e inferenza del deep learning.
🔥🔥Libreria di Riconoscimento Facciale ad Alta Prestazioni su PaddlePaddle & PyTorch🔥🔥
TextAttack 🐙 è un framework Python per attacchi avversari, augmentazione dei dati e addestramento del modello in NLP https://textattack.readthedocs.io/en/master/
Un sistema I/O ad alte prestazioni basato su Python per problemi di deep learning grandi (e piccoli), con un forte supporto per PyTorch.
GigaBrain-0: Un modello visione-linguaggio-azione alimentato da un modello del mondo
🎨 NeMo Data Designer: Genera dati sintetici di alta qualità da zero o da dati seed.
Una libreria Python per l'aumento dei dati audio. Utile per far funzionare bene i modelli di machine learning audio nel mondo reale, non solo in laboratorio.
fastdup è uno strumento potente e gratuito progettato per generare rapidamente preziose informazioni da set di dati di immagini e video. Aiuta a migliorare la qualità sia delle immagini che delle etichette, riducendo significativamente i costi operativi dei dati, il tutto con una scalabilità senza pari.
Pacchetto di aumento dati cinese con un clic; Aumento dati NLP, aumento dati bert, EDA: pip install nlpcda
Elenco di risorse utili per l'augmentation dei dati. Qui troverai alcune tecniche non comuni, librerie, link a repository GitHub, articoli e altro.
Questo progetto ha progettato e implementato un sistema intelligente di domande e risposte mediche basato su RAG (Retrieval-Augmented Generation) con grafi di conoscenza e modelli linguistici di grandi dimensioni. Basato sul set di dati medico DiseaseKG e utilizzando Neo4j, il sistema costruisce un grafo di conoscenza di dominio che include 44.000 entità e 310.000 relazioni. Combinando il riconoscimento delle entità nominate BERT e il riconoscimento dell'intento tramite un modello 32B, il sistema mitiga efficacemente le allucinazioni dei modelli linguistici in ambito medico attraverso una ricerca precisa nel grafo e una generazione controllata delle risposte, migliorando significativamente l'accuratezza e l'affidabilità delle risposte.
Codice per l'articolo TKDE "Apprendimento auto-supervisionato su grafi: Contrastivo, generativo o predittivo"
Questo repository raccoglie articoli per "A Survey on Knowledge Distillation of Large Language Models". Suddividiamo KD in Estrazione della Conoscenza e Algoritmi di Distillazione, ed esploriamo la Distillazione per Abilità e Verticale degli LLM.
Un metodo semplice per eseguire l'apprendimento semi-supervisionato con dati limitati.
Un framework per l'augmentazione dei dati per la classificazione e segmentazione di immagini 2D e 3D
Aumento rapido dei dati audio in PyTorch. Ispirato da audiomentations. Utile per il deep learning.
Codebase per Reti Generative Avversarie di Serie Temporali (TimeGAN) – NeurIPS 2019
Articoli eccezionali sull'estrazione di informazioni generative (IE) utilizzando grandi modelli linguistici (LLM)
Una codebase e un elenco curato di fantastico Deep Long-Tailed Learning (TPAMI 2023).
AugMix: Un semplice metodo di elaborazione dei dati per migliorare robustezza e incertezza
Curare un elenco di ricerche, strumenti, progetti e altre risorse relative ad AutoML
Il Natural Language Toolkit for Indic Languages mira a fornire supporto pronto all'uso per varie attività NLP di cui un sviluppatore di applicazioni potrebbe avere bisogno.
NL-Augmenter 🦎 → 🐍 Un Repository Collaborativo di Trasformazioni del Linguaggio Naturale
Codice per EgoX: Generazione di Video Egocentrico da un Video Esocentrico Singolo
Una libreria per la generazione e la valutazione di dati tabellari sintetici per privacy, equità e aumento dei dati.
Tutti i miei modelli di upscaling AI auto-addestrati e rilasciati. Dopo aver raccolto e applicato oltre 600 diversi modelli di upscaling, ho imparato come addestrare i miei modelli e questi sono i risultati.
CAIRI Toolbox e Benchmark per l'apprendimento di rappresentazioni visive supervisionato, semi-supervisionato e auto-supervisionato
Pipeline di rilevamento oggetti YOLOv4/v3/v2 end-to-end, implementata su tf.keras con diverse tecnologie
Demo di generazione di dati sintetici utilizzando un set di dati transazionali del settore retail del Regno Unito. Ideale per professionisti nei settori retail, e-commerce, finanza e supply chain che desiderano creare dati sintetici realistici e a tutela della privacy per test, analisi e machine learning.
Aumento delle immagini per la visione artificiale. Licenza esclusivamente AGPL-3.0 o licenza commerciale.
Pipeline di aumentazione per il rendering di processi di stampa su carta sintetica, fax, scansione e copiatura
[EMNLP 2024] MeChat: Un grande modello di dialogo sulla salute mentale nel dominio cinese
Domande frequenti
Qual è il repository #data-augmentation più popolare su GitHub?
Il progetto open source #data-augmentation più alto in classifica su GitHub è open-mmlab/mmcv, con 6,490 stelle. OpenMMLab Fondazione per la Visione Artificiale
Quali linguaggi di programmazione sono più utilizzati nei repository #data-augmentation?
Tra i progetti #data-augmentation più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++.
Come viene calcolata la classifica dei repository #data-augmentation?
Monitoriamo 46 repository open source attivi contrassegnati con #data-augmentation (500+ stelle), per un totale di 80,183 stelle e una media di 1,743 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.