#resnet Repository
Scopri 24 repository GitHub open source attivi contrassegnati con #resnet, che raccolgono un totale di 94,726 stelle (con una media di 3,946 stelle per progetto). Il progetto leader di questo argomento è huggingface/pytorch-image-models, con 37,299 stelle.
24 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
Implementazione di reti di deep learning popolari con l'API di definizione della rete TensorRT
Strumenti per Progettare o Visualizzare l'Architettura di una Rete Neurale
Modelli pre-addestrati PyTorch per rilevamento del viso (MTCNN) e riconoscimento facciale (InceptionResnet)
Modelli di segmentazione con backbones preaddestrati. Keras e TensorFlow Keras.
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)
Ottimo progetto per neolaureati, autunnali, primaverili e stage! Ti guideremo passo dopo passo nell'implementazione di una libreria di inferenza deep learning ad alte prestazioni, supportando l'inferenza di modelli di grandi dimensioni come llama2, Unet, YoloV5, Resnet, ecc. Implementa passo dopo passo una libreria di inferenza deep learning ad alte prestazioni.
Integrare modelli di deep learning per la classificazione delle immagini | Progetto di apprendimento/confronto/modifica magica della colonna vertebrale
Un framework di deep learning basato su Pytorch per la segmentazione di immagini mediche multimodali 2D/3D
Toolkit orientato alla ricerca e alla produzione per la verifica, il riconoscimento e la diarizzazione del parlante
Implementazione corretta di ResNet-s per CIFAR10/100 in PyTorch che corrisponde alla descrizione del paper originale.
Una libreria di Deep Learning per la classificazione di attività (segnali) EEG, basata su TensorFlow.
Rilevamento di 21 punti chiave della mano, posa gestuale bidimensionale, riconoscimento gestuale, PyTorch, handpose
Adan: Algoritmo Adattivo di Momentum di Nesterov per l'Ottimizzazione più Veloce di Modelli Profondi
Yolov5 più leggibile e flessibile con più backbone (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, ecc.) e (cbam, dcn e così via), e tensorrt
Estrai le caratteristiche video da video grezzi utilizzando più GPU. Supportiamo frame di flusso RAFT, nonché modelli S3D, I3D, R(2+1)D, VGGish, CLIP e TIMM.
Autoetichettatura tramite clustering simultaneo e apprendimento di rappresentazioni. (ICLR 2020)
Codice per l'articolo di Nature Scientific Reports "Classificazione a livello di patologo di pattern istologici su slide di adenocarcinoma polmonare resecato con reti neurali profonde." Un framework a finestra scorrevole per la classificazione di immagini whole-slide ad alta risoluzione, spesso immagini di microscopia o istopatologia.
Domande frequenti
Qual è il repository #resnet più popolare su GitHub?
Il progetto open source #resnet 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 #resnet?
Tra i progetti #resnet più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++.
Come viene calcolata la classifica dei repository #resnet?
Monitoriamo 24 repository open source attivi contrassegnati con #resnet (500+ stelle), per un totale di 94,726 stelle e una media di 3,946 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.