#image-classification Repositórios
Descubra 107 repositórios ativos de código aberto no GitHub marcados com #image-classification, acumulando um total de 513,866 estrelas (uma média de 4,802 por projeto). O líder deste tópico é ultralytics/ultralytics, com 63,640 estrelas.
107 repositórios no total
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — deteção de objetos, segmentação de instâncias, segmentação semântica, classificação de imagens, estimativa de pose e rastreamento de objetos
Ultralytics YOLOv5 no PyTorch para detecção de objetos, segmentação de instâncias, classificação, treinamento e exportação.
A maior coleção de codificadores/backbones de imagem PyTorch. Incluindo scripts de treino, avaliação, inferência, exportação e pesos pré-treinados -- ResNet, ResNeXt, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, e mais
Label Studio é uma ferramenta de rotulagem e anotação de dados multi-tipo com formato de saída padronizado
Implementação do Vision Transformer, uma maneira simples de alcançar o SOTA em classificação de visão com apenas um único codificador transformador, em Pytorch
O CVAT é uma plataforma líder de anotação de dados para conjuntos de dados de imagens, vídeos, áudio e 3D. Oferece produtos de código aberto, na nuvem e empresariais, além de serviços de rotulagem, com rotulagem assistida por IA, garantia de qualidade, colaboração em equipe, análises e APIs para desenvolvedores.
Esta é uma implementação oficial para "Swin Transformer: Transformer de Visão Hierárquico usando Janelas Deslocadas".
Código e modelos PyTorch para o método de aprendizado autossupervisionado DINOv2.
Explicabilidade avançada de IA para visão computacional. Suporte para CNNs, Vision Transformers, Classificação, Detecção de objetos, Segmentação, Similaridade de imagem e muito mais.
Coleção de artigos/códigos/análises/transmissões ao vivo do cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017, organizado pela equipe Jishi
X-AnyLabeling: uma aplicação de desktop multiplataforma, leve, eficiente e unificada para anotar texto, imagens, vídeos, nuvens de pontos e dados multimodais. Combina ferramentas integradas versáteis com modelos de IA de última geração e oferece opções flexíveis de exportação em vários formatos.
Técnicas para aprendizado profundo com imagens de satélite e aéreas
[CVPR 2024 Oral] Família InternVL: Uma Alternativa Open-Source Pioneira ao GPT-4o. Modelo de diálogo multimodal de código aberto com desempenho próximo ao do GPT-4o
Melhores Práticas, exemplos de código e documentação para Visão Computacional.
Uma coleção de tutoriais sobre modelos e técnicas de visão computacional de ponta. Explore tudo, desde arquiteturas fundamentais como ResNet até modelos de ponta como RF-DETR, YOLO11, SAM 3 e Qwen3-VL.
Experimente, aprenda e codifique as últimas inovações revolucionárias com a IA da Microsoft
Um baú de tesouros para classificação e reconhecimento visual impulsionado por PaddlePaddle
Guia para iniciantes absolutos sobre aprendizado de máquina e classificação de imagens com redes neurais
Prática no 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)
Rotular seus próprios conjuntos de dados, treinar, avaliar, testar e implantar seus próprios algoritmos de inteligência artificial
[ICML 2024] Vision Mamba: Aprendizagem Eficiente de Representação Visual com Modelo de Espaço de Estados Bidirecional
Uma biblioteca para aprendizado de transferência reutilizando partes de modelos do TensorFlow.
Roadmap de IA: Livro de desenvolvimento (roadmap) sobre Aprendizado de Máquina (Machine Learning), Aprendizado Profundo (Deep Learning), Redes Adversariais Generativas (GAN), Redes Neurais de Grafos (GNN), PLN e Big Data, acompanhado de vasta documentação de código-fonte (python, pytorch) para ajudar a assimilar os conceitos básicos, superar entrevistas e fazer a transição de novato para engenheiro qualificado. A parte de aprendizado profundo inclui artigos com código-fonte oficial do TensorFlow e Caffe, e a seção de aplicações contém algoritmos de recomendação e grafos de conhecimento.
Um framework multiplataforma de estruturação de vídeo (análise de vídeo) baseado em modelos de CV e mLLM.
Imagens para inferência sem rotulagem (use modelos de base para treinar modelos supervisionados).
Lidando com todos os dados não estruturados, como pesquisa reversa de imagens, pesquisa de áudio, pesquisa molecular, análise de vídeo, sistemas de perguntas e respostas, PNL, etc.
A coleção de modelos de IA pré-treinados e de última geração para o ailia SDK
Um seletor de conjunto de dados desbalanceado (PyTorch) para sobre-amostragem de classes de baixa frequência e sub-amostragem de classes de alta frequência.
Emgu CV é um wrapper .Net multiplataforma para a biblioteca de processamento de imagem OpenCV.
Repositório oficial de 'Visual-RFT: Ajuste Fino de Reforço Visual' e 'Visual-ARFT: Ajuste Fino de Reforço Agêntico Visual'
Coleção de artigos e projetos de código aberto do ECCV 2024, e também damos as boas-vindas a todos os especialistas para que enviem issues e compartilhem artigos e projetos do ECCV 2024
[CVPR 2025] Implementação Oficial em PyTorch de MambaVision: Um Backbone Híbrido Mamba-Transformer para Visão
Este recurso é o suporte para os artigos de processamento de imagens em Python escritos pelo autor no CSDN, e principalmente contém a implementação do código para algoritmos como processamento de imagem, reconhecimento de imagem e classificação de imagem em Python. Espero que este recurso seja útil para você, vamos em frente juntos.
Integração de modelos de deep learning para classificação de imagens | Projeto de aprendizado/comparação/modificação mágica de backbone
fastdup é uma ferramenta poderosa e gratuita, projetada para gerar rapidamente insights valiosos a partir de conjuntos de dados de imagens e vídeos. Ela ajuda a melhorar a qualidade de imagens e rótulos, ao mesmo tempo em que reduz significativamente os custos de operação de dados, tudo com escalabilidade incomparável.
🚀 Kit de Ferramentas de Implantação YOLO Mais Fácil e Rápido para NVIDIA 🛠️
Um framework sem necessidade de programação, baseado em PyTorch, para estudos reproduzíveis de aprendizagem profunda. Ecossistema PyTorch. 🏆 Até o momento, foram implementados 28 métodos de destilação de conhecimento apresentados em TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI etc. 🎁 Modelos treinados, registros de treinamento e configurações estão disponíveis para garantir a reprodutibilidade e facilitar a avaliação comparativa.
Perguntas Frequentes
Qual é o repositório de #image-classification mais popular no GitHub?
O projeto de código aberto de #image-classification mais bem classificado no GitHub é ultralytics/ultralytics, com 63,640 estrelas. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — deteção de objetos, segmentação de instâncias, segmentação semântica, classificação de imagens, estimativa de pose e rastreamento de objetos
Quais linguagens de programação são mais usadas nos repositórios de #image-classification?
Entre os projetos de #image-classification mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, TypeScript.
Como é calculada a classificação dos repositórios de #image-classification?
Acompanhamos 107 repositórios ativos de código aberto marcados com #image-classification (com mais de 500 estrelas), totalizando 513,866 estrelas e uma média de 4,802 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.