#image-classification Репозитории
Откройте для себя 107 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #image-classification, с общим числом 513,866 звёзд (в среднем 4,802 на проект). Лидером этой темы является ultralytics/ultralytics, набравший 63,640 звёзд.
Всего репозиториев: 107
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — обнаружение объектов, сегментация экземпляров, семантическая сегментация, классификация изображений, оценка позы и отслеживание объектов
Ultralytics YOLOv5 в PyTorch для обнаружения объектов, сегментации экземпляров, классификации, обучения и экспорта.
Самая большая коллекция PyTorch-энкодеров изображений / backbone. Включая скрипты для обучения, оценки, инференса, экспорта и предобученные веса -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt и многое другое
Label Studio — это инструмент для маркировки и аннотации данных различных типов с стандартизированным форматом вывода
Реализация Vision Transformer, простой способ достичь SOTA в классификации изображений с помощью всего одного трансформерного энкодера в Pytorch
CVAT — ведущая платформа для аннотирования данных изображений, видео, аудио и 3D-наборов данных. Она предлагает продукты с открытым исходным кодом, облачные и корпоративные решения, а также услуги разметки с поддержкой ИИ, обеспечением качества, командной работой, аналитикой и API для разработчиков.
Это официальная реализация "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Расширенная объяснимость ИИ для компьютерного зрения. Поддержка CNN, Vision Transformers, Классификация, Обнаружение объектов, Сегментация, Сходство изображений и многое другое.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Статьи/Код/Интерпретации/Сборник прямых трансляций, Собрано командой Джиму
X-AnyLabeling: лёгкое, эффективное и унифицированное кроссплатформенное настольное приложение для разметки текста, изображений, видео, облаков точек и мультимодальных данных. Оно сочетает универсальные встроенные инструменты с передовыми моделями ИИ и поддерживает гибкий экспорт в нескольких форматах.
Техники глубокого обучения с использованием спутниковых и аэрофотоснимков
[CVPR 2024 Oral] InternVL Family: новаторская альтернатива GPT-4o с открытым исходным кодом. Мультимодальная диалоговая модель с открытым исходным кодом, приближающаяся по производительности к GPT-4o.
Лучшие практики, примеры кода и документация для Computer Vision.
Сборник обучающих материалов по передовым моделям и методам компьютерного зрения. Изучите всё: от фундаментальных архитектур, таких как ResNet, до новейших моделей, таких как RF-DETR, YOLO11, SAM 3 и Qwen3-VL.
Сундук с сокровищами для визуальной классификации и распознавания на базе PaddlePaddle
Руководство для абсолютных новичков по машинному обучению и классификации изображений с помощью нейронных сетей
Практика на 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)
Аннотирование собственных наборов данных, обучение, оценка, тестирование и развертывание собственных алгоритмов искусственного интеллекта
[ICML 2024] Vision Mamba: Эффективное обучение визуальным представлениям с помощью двунаправленной модели пространства состояний
Библиотека для трансферного обучения путем повторного использования частей моделей TensorFlow.
Дорожная карта ИИ: машинное обучение (Machine Learning), глубокое обучение (Deep Learning), генеративно-состязательные нейронные сети (GAN), графовые нейронные сети (GNN), обработка естественного языка (NLP), дорожная карта развития, связанная с большими данными (roadmap), с огромным количеством исходного кода (python, pytorch), чтобы помочь усвоить базовые знания, преодолеть собеседования и завершить переход от новичка к квалифицированному инженеру. Среди них статьи по глубокому обучению сопровождаются официальным исходным кодом tensorflow и caffe, а раздел приложений включает алгоритмы рекомендаций и графы знаний.
Кроссплатформенный фреймворк для структурирования видео (анализа видео) на основе моделей CV и mLLM.
Изображения для вывода без разметки (используйте базовые модели для обучения моделей с учителем).
Работа со всеми неструктурированными данными, такими как обратный поиск изображений, поиск аудио, молекулярный поиск, анализ видео, системы вопросов и ответов, NLP и т. д.
Сэмплер (PyTorch) для несбалансированного набора данных, предназначенный для передискретизации низкочастотных классов и недодискретизации высокочастотных.
Emgu CV — это кроссплатформенный .Net-обертка для библиотеки обработки изображений OpenCV.
Официальный репозиторий 'Visual-RFT: Visual Reinforcement Fine-Tuning' & 'Visual-ARFT: Visual Agentic Reinforcement Fine-Tuning’
Подборка статей и проектов с открытым исходным кодом ECCV 2024, и все эксперты приглашаются к отправке запросов (issue) и обмену статьями и проектами с открытым исходным кодом ECCV 2024.
[CVPR 2025] Официальная реализация MambaVision на PyTorch: гибридный Mamba-Transformer для компьютерного зрения
Этот ресурс поддерживает статьи автора по обработке изображений на Python, опубликованные на CSDN, в основном посвященные реализации алгоритмов обработки изображений, распознавания изображений, классификации изображений и т. д. на Python. Надеемся, что этот ресурс будет вам полезен, и будем вместе усердно работать.
Интеграция моделей глубокого обучения для классификации изображений | Проект изучения/сравнения/магической модификации основы
fastdup — это мощный бесплатный инструмент, предназначенный для быстрого получения ценной информации из наборов данных изображений и видео. Он помогает повысить качество как изображений, так и меток, значительно снижая затраты на операции с данными, и все это при непревзойденной масштабируемости.
🚀 Более простой и быстрый набор инструментов для развертывания YOLO для NVIDIA 🛠️
Фреймворк без необходимости программирования на базе PyTorch для воспроизводимых исследований в области глубокого обучения. Экосистема PyTorch. 🏆 На данный момент реализовано 28 методов дистилляции знаний, представленных на конференциях и в журналах TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI и других. 🎁 Для обеспечения воспроизводимости и проведения сравнительного тестирования доступны обученные модели, журналы обучения и конфигурации.
Часто задаваемые вопросы
Какой репозиторий по теме #image-classification наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #image-classification на GitHub — ultralytics/ultralytics, набравший 63,640 звёзд. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — обнаружение объектов, сегментация экземпляров, семантическая сегментация, классификация изображений, оценка позы и отслеживание объектов
Какие языки программирования чаще всего используются в репозиториях по теме #image-classification?
Среди наиболее высоко оценённых проектов по теме #image-classification на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, C++, TypeScript.
Как рассчитывается рейтинг репозиториев по теме #image-classification?
Мы отслеживаем 107 активных репозиториев с открытым исходным кодом, отмеченных тегом #image-classification (500 и более звёзд), с общим числом 513,866 звёзд и в среднем 4,802 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.