#pytorch Repository
1,936 repository in totale
Un framework molto semplice per il Natural Language Processing (NLP) all'avanguardia
Implementazione dell'articolo - YOLOv7: Trainable bag-of-freebies stabilisce un nuovo stato dell'arte per i rilevatori di oggetti in tempo reale
Versione PyTorch di Stable Baselines, implementazioni affidabili di algoritmi di reinforcement learning.
Sintesi di immagini ad alta risoluzione con modelli di diffusione latente
Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.
Codice per loralib, un'implementazione di "LoRA: Low-Rank Adaptation of Large Language Models"
Questo repository contiene i codici di "A Lip Sync Expert Is All You Need for Speech to Lip Generation In the Wild", pubblicato presso ACM Multimedia 2020. Per il modello commerciale HD, prova Sync LabsGrazie.
Spiegabilitร avanzata dell'IA per la visione artificiale. Supporto per CNN, Vision Transformers, Classificazione, Rilevamento oggetti, Segmentazione, Similaritร di immagini e altro.
๐ Embedding scalabile, ragionamento, ranking per immagini e frasi con CLIP
Il toolkit di addestramento definitivo per il fine-tuning dei modelli di diffusione
L'Incredibile PyTorch: un elenco curato di tutorial, papers, progetti, comunitร e altro relativo a PyTorch.
Mappa di apprendimento dell'intelligenza artificiale, raccolta di quasi 200 casi pratici e progetti, materiali complementari gratuiti, ingresso da zero basi, pratica per l'occupazione! Include: Python, matematica, machine learning, analisi dati, apprendimento profondo, visione artificiale, elaborazione del linguaggio naturale, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv e altri campi caldi
Il repository fornisce il codice per eseguire l'inferenza e il finetuning con il Meta Segment Anything Model 3 (SAM 3), link per scaricare i checkpoint del modello addestrato ed esempi di notebook che mostrano come utilizzare il modello.
OCR cinese ultraleggero, supporta il riconoscimento del testo verticale, supporta l'inferenza ncnn, mnn, tnn (dbnet(1.8M) + crnn(2.5M) + anglenet(378KB)), modello totale di soli 4.7M
๐ Implementazione Pytorch di vari meccanismi di attenzione, MLP, ri-parametrizzazione, convoluzione, che sono utili per comprendere ulteriormente gli articoli scientifici.โญโญโญ
Modelli di segmentazione semantica con oltre 500 backbone convoluzionali e basati su transformer pre-addestrati.
Framework low-code per la creazione di LLM personalizzati, reti neurali e altri modelli AI
Questo repository contiene demo che ho realizzato con la libreria Transformers di HuggingFace.
Moshi รจ un modello di base speech-text e un framework di dialogo vocale full-duplex. Utilizza Mimi, un codec audio neurale in streaming all'avanguardia.
La piattaforma per sviluppatori AI. Usa Weights & Biases per addestrare e affinare modelli, e gestire modelli dall'esperimentazione alla produzione.
Trascrizione vocale in tempo reale e locale con ASR in streaming, diarizzazione dei parlanti, traduzione e API compatibili con OpenAI/Deepgram.
Il progetto open-source di Python su "Il percorso per imparare a programmare", tutorial super dettagliato: Laboratorio AI, Video preziosi, Strutture dati, Guida all'apprendimento, Machine Learning pratico, Deep Learning pratico, Web scraping, Colloqui con grandi aziende, Vita da programmatore, Condivisione di risorse.
Implementazione di U-Net in PyTorch per la segmentazione semantica delle immagini con immagini di alta qualitร
[CVPR 2024] Repository ufficiale per "MagicAnimate: Temporally Consistent Human Image Animation using Diffusion Model"
Blocchi di costruzione neurali per la diarizzazione del parlante: rilevamento dell'attivitร vocale, rilevamento del cambio di parlante, rilevamento del discorso sovrapposto, embedding del parlante
Inferenza sulla generazione di testo di modelli linguistici di grandi dimensioni
Implementazione in un singolo file di alta qualitร di algoritmi di Deep Reinforcement Learning con funzionalitร user-friendly per la ricerca (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Affina i LLM da un singolo YAML. Lo streaming a livelli addestra un modello da 8B su una GPU per laptop da 4 GB.
Implementazione PyTorch di YOLOv3, YOLOv3-SPP e YOLOv3-tiny per il rilevamento di oggetti in tempo reale con addestramento, validazione, inferenza ed esportazione in piรน formati.
StreamDiffusion: Una soluzione a livello di pipeline per la generazione interattiva in tempo reale
YOLOX รจ un YOLO ad alte prestazioni senza ancoraggi, che supera yolov3~v5 con il supporto di MegEngine, ONNX, TensorRT, ncnn e OpenVINO. Documentazione: https://yolox.readthedocs.io/