#pytorch Repositórios
1,936 repositórios no total
[ECCVW 2022] Os códigos para o trabalho "Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation"
YOLO5Face: Por Que Reinventar um Detector de Rosto (https://arxiv.org/abs/2105.12931) Workshops do ECCV 2022)
Algoritmos de ML 2.000x mais rápidos, 50% menos uso de memória, funciona em todo hardware - novo e antigo.
Modelos Conceituais Grandes: Modelagem de linguagem em um espaço de representação de sentenças
O V-Express visa gerar um vídeo de um rosto falante sob o controle de uma imagem de referência, um áudio e uma sequência de imagens V-Kps.
Objectron é um conjunto de dados de clipes de vídeo curtos e centrados em objetos. Além disso, os vídeos também contêm metadados de sessão AR, incluindo poses da câmera, nuvens de pontos esparsas e planos. Em cada vídeo, a câmera se move ao redor e acima do objeto e o captura de diferentes ângulos. Cada objeto é anotado com uma caixa delimitadora 3D. A caixa delimitadora 3D descreve a posição, orientação e dimensões do objeto. O conjunto de dados contém cerca de 15 mil clipes de vídeo anotados e 4 milhões de imagens anotadas nas seguintes categorias.
Um seletor de conjunto de dados desbalanceado (PyTorch) para sobre-amostragem de classes de baixa frequência e sub-amostragem de classes de alta frequência.
🔎 Monitore o treinamento do modelo de deep learning e o uso de hardware do seu celular 📱
Uma plataforma para pesquisa e avaliação reprodutível de modelos do mundo
DocLayout-YOLO: Aprimorando a Análise de Layout de Documentos através de Dados Sintéticos Diversos e Percepção Adaptativa Global-Local
Código para "GVHMR: World-Grounded Human Motion Recovery via Gravity-View Coordinates", Siggraph Asia 2024, TPAMI 2026
Um Benchmark Heterogêneo para Recuperação de Informação. Fácil de usar, avalie seus modelos em mais de 15 conjuntos de dados de RI diversos.
detrex é uma plataforma de pesquisa para detecção de objetos, segmentação, estimativa de pose e outras tarefas de reconhecimento visual baseadas em DETR.
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
Mapas de ativação de classe para seus modelos PyTorch (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Código oficial do artigo CVPR 2022 (oral) "Extracting Triangular 3D Models, Materials, and Lighting From Images".
VeOmni: Escalando o Treinamento de Modelos de Qualquer Modalidade com um Zoo de Receitas Distribuídas Centrado no Modelo
implementação pytorch do openpose incluindo estimativa de pose de mãos e corpo.
ICCV2019 - Aprendendo a Pintar com Aprendizagem por Reforço Profundo Baseada em Modelo
HiFi-GAN: Redes Adversariais Generativas para Síntese de Fala Eficiente e de Alta Fidelidade
Estrutura de treinamento distribuído minimalista com paralelismo 4D para fins educacionais
Muitos estudos demonstraram que o desempenho em aprendizado profundo é significativamente afetado pelo volume de dados de treinamento. O projeto MedicalNet fornece uma série de modelos pré-treinados 3D-ResNet e o código relativo.
Implementação mínima do objetivo recortado Proximal Policy Optimization (PPO) em PyTorch
repositório oficial do Modelo de Linguagem Grande de Código aiXcoder-7B
Uma biblioteca para treinar e implantar modelos de aprendizado de máquina no Amazon SageMaker
micronet, uma biblioteca de compressão e implantação de modelos. compressão: 1、quantização: treinamento ciente de quantização (QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference), Low-Bit(≤2b)/Ternary and Binary(TWN/BNN/XNOR-Net); quantização pós-treinamento (PTQ), 8-bit(tensorrt); 2、 poda: poda de canal de convolução normal, regular e em grupo; 3、 estrutura de convolução em grupo; 4、 fusão de normalização em lote para quantização. implantação: tensorrt, fp32/fp16/in
Uma série de notebooks Jupyter que o guiam pelos fundamentos de Machine Learning e Deep Learning em Python usando as bibliotecas Scikit-Learn, PyTorch e Hugging Face.
label-smooth, amsoftmax, partial-fc, focal-loss, triplet-loss, lovasz-softmax. Talvez útil
Redes Neurais Profundas de Múltiplas Tarefas para Compreensão de Linguagem Natural
Coleção de código comum que é compartilhado entre diferentes projetos de pesquisa na equipe de visão computacional da FAIR.
Corridor Key 2.0 para todas as suas necessidades de tela verde e azul
Uma biblioteca e framework de código aberto para aprendizado profundo em imagens de satélite e aéreas.
Rede Neural Convolucional (CNN) Pytorch 3D U-Net projetada para segmentação de imagens médicas
Código para o artigo da ICLR 2023 "GPTQ: Quantização Pós-Treinamento Precisa de Transformers Generativos Pré-treinados".
O repositório oficial para [NeurIPS'22] "ViTPose: Baselines Simples de Vision Transformer para Estimativa de Postura Humana" e [TPAMI'23] "ViTPose++: Vision Transformer para Estimativa Genérica de Postura Corporal"
Estimativa de pose humana rápida e precisa no PyTorch. Contém a implementação do artigo "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Este pacote contém modelos de deep learning e scripts relacionados para RoseTTAFold
SpikingJelly é um framework de aprendizado profundo de código aberto para Redes Neurais de Picos (SNN), baseado em PyTorch.