#pytorch Repository
Scopri 1,936 repository GitHub open source attivi contrassegnati con #pytorch, che raccolgono un totale di 7,737,223 stelle (con una media di 3,996 stelle per progetto). Il progetto leader di questo argomento è huggingface/transformers, con 169,339 stelle.
1,936 repository in totale
🤗 Transformers: il framework di definizione dei modelli per modelli di machine learning all'avanguardia in testo, visione, audio e modelli multimodali, sia per l'inferenza che per l'addestramento.
La GUI, l’API e il backend per modelli di diffusione più potenti e modulari, con un’interfaccia a grafi/nodi. Il motore di inferenza locale più veloce al mondo.
Un motore di inferenza e serving per LLM ad alta produttività ed efficiente in termini di memoria
🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
Il repository più semplice e veloce per addestrare/affinare GPT di medie dimensioni.
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione delle immagini, stima della posa e tracciamento degli oggetti
Clona una voce in 5 secondi per generare discorsi arbitrari in tempo reale
Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
Il repository fornisce il codice per l'esecuzione dell'inferenza con il SegmentAnything Model (SAM), collegamenti per il download dei checkpoint del modello addestrato e notebook di esempio che mostrano come utilizzare il modello.
Impara a sviluppare, distribuire e iterare applicazioni ML di livello produttivo.
Ray è un motore di calcolo AI. Ray consiste in un runtime distribuito principale e un set di librerie AI per accelerare i carichi di lavoro ML.
🐸💬 - un toolkit di deep learning per Text-to-Speech, testato in ricerca e produzione
DeepSpeed è una libreria di ottimizzazione per il deep learning che rende il training distribuito e l'inferenza facili, efficienti ed efficaci.
VoxCPM2: TTS senza tokenizer per generazione vocale multilingue, design vocale creativo e clonazione realistica
Sintesi di immagini ad alta risoluzione con modelli di diffusione latente
GFPGAN mira allo sviluppo di algoritmi pratici per il restauro di volti nel mondo reale.
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
Motore decisionale System 1 non autoregressivo. Esegue decisioni tipizzate di scelta, valutazione e sì/no su qualsiasi testo in un singolo passaggio in avanti, in oltre 100 lingue, con un router che seleziona il checkpoint corretto per ogni richiesta.
TimesFM (Time Series Foundation Model) è un modello fondazionale preaddestrato per serie temporali sviluppato da Google Research per la forecasting di serie temporali.
Detectron2 è una piattaforma per il rilevamento di oggetti, segmentazione e altre attività di riconoscimento visivo.
🤗 Diffusers: Modelli di diffusione all'avanguardia per la generazione di immagini, video e audio in PyTorch.
Real-ESRGAN mira allo sviluppo di algoritmi pratici per il ripristino generale di immagini/video.
Visualizzatore per modelli di reti neurali, apprendimento profondo e apprendimento automatico
Pre-allenamento, affinamento di QUALSIASI modello AI di QUALSIASI dimensione su 1 o 10.000+ GPU senza modifiche al codice.
OCR pronto all'uso con oltre 80 lingue supportate e tutti gli script di scrittura più diffusi, tra cui Latino, Cinese, Arabico, Devanagari, Cirillico, ecc.
🤗 LeRobot: Rendere l'IA per la robotica più accessibile con l'apprendimento end-to-end
Libro interattivo di deep learning con codice multi-framework, matematica e discussioni. Adoptato in 500 università di 70 paesi, inclusi Stanford, MIT, Harvard e Cambridge.
Deep learning per l'elaborazione delle immagini, inclusa classificazione e rilevamento oggetti ecc.
Codici open-source per MiniGPT-4 e MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)
Domande frequenti
Qual è il repository #pytorch più popolare su GitHub?
Il progetto open source #pytorch più alto in classifica su GitHub è huggingface/transformers, con 169,339 stelle. 🤗 Transformers: il framework di definizione dei modelli per modelli di machine learning all'avanguardia in testo, visione, audio e modelli multimodali, sia per l'inferenza che per l'addestramento.
Quali linguaggi di programmazione sono più utilizzati nei repository #pytorch?
Tra i progetti #pytorch più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, JavaScript.
Come viene calcolata la classifica dei repository #pytorch?
Monitoriamo 1,936 repository open source attivi contrassegnati con #pytorch (500+ stelle), per un totale di 7,737,223 stelle e una media di 3,996 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.