#imagenet Repository
Scopri 26 repository GitHub open source attivi contrassegnati con #imagenet, che raccolgono un totale di 117,164 stelle (con una media di 4,506 stelle per progetto). Il progetto leader di questo argomento è huggingface/pytorch-image-models, con 37,299 stelle.
26 repository in totale
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
Questa è un'implementazione ufficiale per "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Modelli di segmentazione semantica con oltre 500 backbone convoluzionali e basati su transformer pre-addestrati.
Backbone AI efficienti inclusi GhostNet, TNT e MLP, sviluppati da Huawei Noah's Ark Lab.
Modelli fondamentali efficienti per la visione per la generazione e la percezione ad alta risoluzione.
DAMO-YOLO: un metodo di rilevamento di oggetti veloce e accurato con alcune nuove tecnologie, tra cui backbone NAS, efficiente RepGFPN, ZeroHead, AlignedOTA e miglioramento della distillazione.
Questo pacchetto contiene il codice originale di AlexNet del 2012.
Una guida di avvio rapido e benchmark per il training distribuito di PyTorch.
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.
[CVPR 2025 Oral] Ricostruzione vs. Generazione: Domare il dilemma dell'ottimizzazione nei modelli a diffusione latente
Implementazione in Keras di "One pixel attack for fooling deep neural networks" utilizzando l'evoluzione differenziale su Cifar10 e ImageNet
Implementazione Tensorflow, Keras di U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET e Swin-UNET con backbone opzionali pre-addestrati su ImageNet.
Dataset Management Framework, una libreria Python e uno strumento CLI per costruire, analizzare e gestire dataset di Computer Vision.
CAIRI Toolbox e Benchmark per l'apprendimento di rappresentazioni visive supervisionato, semi-supervisionato e auto-supervisionato
Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficientdet,edgenext,efficientformer,efficientnet,eva,fasternet,fastervit,fastvit,flexivit,gcvit,ghostnet,gpvit,hornet,hiera,iformer,inceptionnext,lcnet,levit,maxvit,mobilevit,moganet,nat,nfnets,pvt,swin,tinynet,tinyvit,uniformer,volo,vanillanet,yolor,yolov7,yolov8,yolox,gpt2,llama2, alias kecam
RectLabel è uno strumento di annotazione offline per immagini per il rilevamento di oggetti e la segmentazione.
Domande frequenti
Qual è il repository #imagenet più popolare su GitHub?
Il progetto open source #imagenet più alto in classifica su GitHub è huggingface/pytorch-image-models, con 37,299 stelle. 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
Quali linguaggi di programmazione sono più utilizzati nei repository #imagenet?
Tra i progetti #imagenet più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, JavaScript, Cuda.
Come viene calcolata la classifica dei repository #imagenet?
Monitoriamo 26 repository open source attivi contrassegnati con #imagenet (500+ stelle), per un totale di 117,164 stelle e una media di 4,506 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.