#pytorch Репозитории
Всего репозиториев: 1,936
[ECCVW 2022] Коды для работы «Swin-Unet: чисто Трансформерный подход типа Unet для сегментации медицинских изображений»
YOLO5Face: Зачем заново изобретать детектор лиц (https://arxiv.org/abs/2105.12931) ECCV Workshops 2022)
ML-алгоритмы в 2-2000 раз быстрее, использование памяти на 50% меньше, работает на всём оборудовании - новом и старом.
Крупные концептуальные модели: Языковое моделирование в пространстве представления предложений
V-Express нацелен на создание видеоролика с говорящей головой под управлением эталонного изображения, аудиофайла и последовательности изображений V-Kps.
Objectron — это набор данных из коротких видеоклипов, ориентированных на объекты. Кроме того, видео также содержат метаданные AR-сессий, включая позы камеры, разреженные облака точек и плоскости. В каждом видео камера перемещается вокруг и над объектом и захватывает его с разных ракурсов. Каждый объект аннотирован 3D-ограничивающей рамкой. 3D-ограничивающая рамка описывает положение, ориентацию и размеры объекта. В наборе данных содержится около 15 тысяч аннотированных видеоклипов и 4 миллиона аннотированных изображений в следующих категориях.
Запускайте модели Mixtral-8x7B в Colab или на потребительских настольных компьютерах
Сэмплер (PyTorch) для несбалансированного набора данных, предназначенный для передискретизации низкочастотных классов и недодискретизации высокочастотных.
🔎 Мониторьте обучение моделей глубокого обучения и использование оборудования с вашего мобильного телефона 📱
Платформа для воспроизводимого исследования и оценки моделей мира
DocLayout-YOLO: Улучшение анализа макета документов с помощью разнообразных синтетических данных и адаптивного глобально-локального восприятия
Код для "GVHMR: World-Grounded Human Motion Recovery via Gravity-View Coordinates", Siggraph Asia 2024, TPAMI 2026
Гетерогенный бенчмарк для информационного поиска. Простота использования, оценивайте свои модели на 15+ разнообразных наборах данных IR.
detrex — это исследовательская платформа для обнаружения объектов на основе DETR, сегментации, оценки позы и других задач визуального распознавания.
Библиотека PyTorch для глубокого обучения для прогнозирования временных рядов, классификации и обнаружения аномалий (первоначально для прогнозирования наводнений).
Карты активации классов для ваших моделей PyTorch (CAM, Grad-CAM, Grad-CAM++, Smooth Grad-CAM++, Score-CAM, SS-CAM, IS-CAM, XGrad-CAM, Layer-CAM, Finer-CAM, LeGrad, RefineCAM)
Официальный код для доклада CVPR 2022 (устный) "Extracting Triangular 3D Models, Materials, and Lighting From Images".
VeOmni: Масштабирование обучения моделей любой модальности с помощью распределенного сборника рецептов, ориентированного на модели
ICCV2019 - Обучение рисовать с помощью модельного глубокого обучения с подкреплением
HiFi-GAN: Генеративно-состязательные сети для эффективного и высокоточного синтеза речи
Минималистичный фреймворк распределенного обучения с 4D-параллелизмом для образовательных целей
Многие исследования показали, что производительность глубокого обучения значительно зависит от объема обучающих данных. Проект MedicalNet предоставляет серию предварительно обученных моделей 3D-ResNet и соответствующий код.
Минимальная реализация метода усеченной целевой функции для проксимальной оптимизации политики (PPO) на PyTorch
Библиотека для обучения и развертывания моделей машинного обучения на Amazon SageMaker
micronet, библиотека для сжатия моделей и развертывания. Сжатие: 1、квантование: обучение с учетом квантования(QAT), Высокий-бит(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Низкий-бит(≤2b)/Тернарный и Бинарный(TWN/BNN/XNOR-Net); пост-обученное квантование(PTQ), 8-бит(tensorrt); 2、обрезка: обычная、регулярная и групповая обрезка каналов свертки; 3、структура групповой свертки; 4、слияние пакетной нормализации для квантования. Развертывание: tensorrt, fp32/fp16/in
Серия ноутбуков Jupyter, которые помогут вам освоить основы машинного обучения и глубокого обучения на Python с использованием библиотек Scikit-Learn, PyTorch и Hugging Face.
label-smooth, amsoftmax, partial-fc, focal-loss, triplet-loss, lovasz-softmax. Возможно полезно
Сборник общего кода, которым делятся различные исследовательские проекты в команде компьютерного зрения FAIR.
Библиотека и фреймворк с открытым исходным кодом для глубокого обучения на спутниковых и аэрофотоснимках.
Сверточная нейронная сеть (CNN) Pytorch 3D U-Net, разработанная для сегментации медицинских изображений
Код для статьи ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Официальный репозиторий для [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" и [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"
Быстрая и точная оценка позы человека в PyTorch. Содержит реализацию статьи "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Этот пакет содержит модели глубокого обучения и связанные скрипты для RoseTTAFold
SpikingJelly — это фреймворк с открытым исходным кодом для глубокого обучения на основе импульсных нейронных сетей (SNN), реализованный на PyTorch.