#image-classification Repository
Scopri 107 repository GitHub open source attivi contrassegnati con #image-classification, che raccolgono un totale di 513,866 stelle (con una media di 4,802 stelle per progetto). Il progetto leader di questo argomento è ultralytics/ultralytics, con 63,640 stelle.
107 repository in totale
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione delle immagini, stima della posa e tracciamento degli oggetti
Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
La più grande collezione di encoder di immagini PyTorch / backbone. Inclusi script di training, eval, inferenza, export e pesi preaddestrati -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt e altro
Label Studio è uno strumento per l'etichettatura e l'annotazione di dati di tipo multiplo con formato di output standardizzato
Implementazione del Vision Transformer, un modo semplice per raggiungere lo stato dell'arte nella classificazione visiva con un solo encoder transformer in Pytorch
CVAT è una piattaforma leader per l’annotazione dei dati relativi a dataset di immagini, video, audio e 3D. Offre prodotti open source, cloud ed enterprise, oltre a servizi di labeling, con labeling assistito dall’IA, garanzia della qualità, collaborazione in team, analisi e API per sviluppatori.
Questa è un'implementazione ufficiale per "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.
Spiegabilità avanzata dell'IA per la visione artificiale. Supporto per CNN, Vision Transformers, Classificazione, Rilevamento oggetti, Segmentazione, Similarità di immagini e altro.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Articoli/Codice/Interpretazioni/Collezione di Trasmissioni Live, Organizzato dal Team Jimu
X-AnyLabeling: un’applicazione desktop multipiattaforma, leggera, efficiente e unificata per annotare testi, immagini, video, nuvole di punti e dati multimodali. Combina versatili strumenti integrati con modelli di IA all’avanguardia e offre flessibili opzioni di esportazione in più formati.
Tecniche per il deep learning con immagini satellitari e aeree
[CVPR 2024 Oral] InternVL Family: Un'alternativa open-source pionieristica a GPT-4o. Un modello di dialogo multimodale open-source con prestazioni vicine a GPT-4o.
Best Practices, esempi di codice e documentazione per Computer Vision.
Una raccolta di tutorial sui modelli e le tecniche di visione artificiale all'avanguardia. Esplora tutto, dalle architetture fondamentali come ResNet ai modelli all'avanguardia come RF-DETR, YOLO11, SAM 3 e Qwen3-VL.
Esperienza, Impara e Codifica le ultime innovazioni rivoluzionarie con Microsoft AI
Un forziere per la classificazione e il riconoscimento visivo, potenziato da PaddlePaddle
Guida per principianti assoluti al machine learning e alla classificazione delle immagini con le reti neurali
Esercitazione su cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Annotare i propri set di dati, addestrare, valutare, testare e distribuire i propri algoritmi di intelligenza artificiale
[ICML 2024] Vision Mamba: Apprendimento efficiente di rappresentazioni visive con modelli di spazio degli stati bidirezionali
Roadmap AI: Apprendimento automatico (Machine Learning), Apprendimento profondo (Deep Learning), Reti neurali avversarie (GAN), Reti neurali a grafo (GNN), PNL, roadmap di sviluppo relativa ai big data (roadmap), con una vasta quantità di codice sorgente (python, pytorch) per aiutare a digerire i punti di conoscenza di base, superare i colloqui e completare il salto da principiante a ingegnere qualificato. Tra questi, i documenti relativi all'apprendimento profondo includono il codice sorgente ufficiale di tensorflow e caffe, e la parte applicativa contiene algoritmi di raccomandazione e grafi di conoscenza.
Un framework multipiattaforma per la strutturazione video (analisi video) basato su modelli CV e mLLM.
Immagini per inferenza senza etichettatura (utilizzare modelli di base per addestrare modelli supervisionati).
Gestione di tutti i dati non strutturati, come la ricerca inversa di immagini, ricerca audio, ricerca molecolare, analisi video, sistemi di domande e risposte, NLP, ecc.
Un sampler per dataset sbilanciati (PyTorch) per l'oversampling delle classi a bassa frequenza e l'undersampling delle classi ad alta frequenza.
Emgu CV è un wrapper .Net multipiattaforma per la libreria di elaborazione delle immagini OpenCV.
Repository ufficiale di 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Raccolta di articoli e progetti open-source di ECCV 2024, e tutti i grandi esperti sono invitati a inviare issue, condividere articoli e progetti open-source di ECCV 2024.
[CVPR 2025] Implementazione ufficiale PyTorch di MambaVision: Un backbone ibrido Mamba-Transformer per la visione
Questa risorsa supporta gli articoli di scrittura dell'autore su CSDN sull'elaborazione delle immagini in Python, principalmente sull'implementazione di algoritmi per l'elaborazione delle immagini, il riconoscimento delle immagini, la classificazione delle immagini, ecc. in Python. Spero che questa risorsa ti sia d'aiuto, continuiamo a fare del nostro meglio insieme.
Integrare modelli di deep learning per la classificazione delle immagini | Progetto di apprendimento/confronto/modifica magica della colonna vertebrale
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.
Un framework senza codice basato su PyTorch per studi di deep learning riproducibili. Ecosistema PyTorch. 🏆 Finora sono stati implementati 28 metodi di distillazione della conoscenza presentati a TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, ecc. 🎁 Sono disponibili modelli addestrati, registri di addestramento e configurazioni per garantire la riproducibilità e consentire il benchmarking.
Domande frequenti
Qual è il repository #image-classification più popolare su GitHub?
Il progetto open source #image-classification più alto in classifica su GitHub è ultralytics/ultralytics, con 63,640 stelle. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione delle immagini, stima della posa e tracciamento degli oggetti
Quali linguaggi di programmazione sono più utilizzati nei repository #image-classification?
Tra i progetti #image-classification più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, TypeScript.
Come viene calcolata la classifica dei repository #image-classification?
Monitoriamo 107 repository open source attivi contrassegnati con #image-classification (500+ stelle), per un totale di 513,866 stelle e una media di 4,802 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.