#vision-transformer Репозитории
Откройте для себя 64 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #vision-transformer, с общим числом 209,451 звёзд (в среднем 3,272 на проект). Лидером этой темы является open-mmlab/mmdetection, набравший 32,234 звёзд.
Всего репозиториев: 64
pix2tex: Использование ViT для преобразования изображений уравнений в код LaTeX.
Этот репозиторий содержит демонстрации, которые я сделал с помощью библиотеки Transformers от HuggingFace.
[Премия за лучшую статью NeurIPS 2024][GPT превосходит диффузию🔥] [Законы масштабирования в визуальной генерации📈] Официальная реализация "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". *Ультра-простая, удобная для пользователя и в то же время передовая* кодовая база для авторегрессивной генерации изображений!
Принимайте, анализируйте и оптимизируйте любые форматы данных ➡️ от документов до мультимедиа ➡️ для повышения совместимости с фреймворками GenAI
MLX-VLM — это пакет для инференса и тонкой настройки моделей зрения и языка (VLM) на вашем Mac с использованием MLX.
Depth Pro: Четкая монокулярная метрическая глубина менее чем за секунду.
SwinIR: Восстановление изображений с использованием Swin Transformer (официальный репозиторий)
Первый плагин зрения для DeepSeek Harness и мост зрения для каждого текстового кодирующего агента. Вставьте изображение, получите структурированные JSON-данные (OCR, макет, семантика).
В конечном итоге исчерпывающий список работ по Vision Transformer/Attention, включая статьи, коды и связанные веб-сайты
Эффективные AI-бэкибоны, включая GhostNet, TNT и MLP, разработанные Huawei Noah's Ark Lab.
Scenic: библиотека Jax для исследований в области компьютерного зрения и не только
Репозиторий предоставляет код для выполнения вывода с использованием 3D-модели тела SAM (3DB), ссылки для загрузки обученных контрольных точек модели и наборов данных, а также примеры Jupyter-ноутбуков, демонстрирующих, как использовать модель.
Towhee — это фреймворк, предназначенный для создания простых и быстрых конвейеров обработки нейронных данных.
Эффективные базовые модели зрения для высокоразрешающей генерации и восприятия.
В этом репозитории содержится официальный проект TransUNet, представленный в нашей статье: TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation.
InternLM-XComposer2.5-OmniLive: Комплексная мультимодальная система для долгосрочного потокового взаимодействия с видео и аудио
[ECCV2024] Видеофундаментальные модели и данные для мультимодального понимания
[CVPR 2025] Официальная реализация MambaVision на PyTorch: гибридный Mamba-Transformer для компьютерного зрения
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"
[CVPR 2021] Официальная реализация PyTorch для Transformer Interpretability Beyond Attention Visualization, нового метода визуализации классификаций сетями на основе Трансформеров.
Комплексное обучение для моделей зрения (YOLO, ViTs, RT-DETR, DINOv3): предварительное обучение, дообучение, дистилляция.
[ICML2025] SpargeAttention: Обучаемая разреженная модель внимания, ускоряющая вывод любых моделей.
Курируемый список базовых моделей для задач компьютерного зрения и обработки естественного языка
Общая модель представления для модальностей зрения, аудио и языка. Статья: ONE-PEACE: Исследование одной общей модели представления для неограниченных модальностей
UNetFormer: Трансформер, подобный UNet, для эффективной семантической сегментации изображений городских сцен дистанционного зондирования, ISPRS. Также включены другие видеотрансформеры и сверточные нейронные сети для сегментации спутниковых, аэрофотоснимков и изображений БПЛА.
:fire: :fire: :fire: Список статей по некоторым недавним работам в области компьютерного зрения (CV)
[ICLR 2024] Официальная реализация FasterViT на PyTorch: Быстрые Vision Transformers с иерархическим вниманием
Репозиторий Vision Transformer с деформируемым вниманием (CVPR2022) и DAT++: Пространственно-динамический Vision Transformer с деформируемым вниманием
Распознавание текста сцены с использованием пермутированных авторегрессионных моделей последовательностей (ECCV 2022)
[ECCV] Swin2SR: SwinV2 Transformer для восстановления и сверхвысокого разрешения сжатых изображений. Семинар "Advances in Image Manipulation (AIM)" ECCV 2022. Попробуйте! Более 3,3 млн запусков https://replicate.com/mv-lab/swin2sr
Часто задаваемые вопросы
Какой репозиторий по теме #vision-transformer наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #vision-transformer на GitHub — open-mmlab/mmdetection, набравший 32,234 звёзд. Инструментарий и эталон обнаружения OpenMMLab
Какие языки программирования чаще всего используются в репозиториях по теме #vision-transformer?
Среди наиболее высоко оценённых проектов по теме #vision-transformer на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, TypeScript, Cuda.
Как рассчитывается рейтинг репозиториев по теме #vision-transformer?
Мы отслеживаем 64 активных репозиториев с открытым исходным кодом, отмеченных тегом #vision-transformer (500 и более звёзд), с общим числом 209,451 звёзд и в среднем 3,272 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.