deep-learning

Das offizielle Roboflow-Python-Paket. Verwalten Sie Ihre Datensätze, Modelle und Deployments. Roboflow bietet alles, was Sie für die Entwicklung einer Computer-Vision-Anwendung benötigen.

Kaggle Data Science Bowl 2017

:fire: Vorkonstruierte PyTorch-Modelle verwenden, um Vektor-Embeddings für beliebige Bilder zu extrahieren

Toolkit für die großflächige Verarbeitung von Ganzschnitt-Bildern.

Präsentationen, Papiernotizen, Vorlesungsnotizen, Blogbeiträge und Forschung zu ML 📉, Statistik 📊 und KI 🤖.

Hierarchical Image Pyramid Transformer - CVPR 2022 (Oral)

Eine auf Deep Learning basierende visuelle Navigations-Engine für die autonome Navigation von Taschen-Quadrocoptern – läuft auf PULP

[IGARSS'22]: Ein Transformer-basiertes siamesisches Netzwerk für die Veränderungsdetektion

Vollständige KI-Kurse von Humai

Nichtlineare Optimierung (Nullstellensuche, kleinste Quadrate, ...) in JAX+Equinox. https://docs.kidger.site/optimistix/

Eine Implementierung von 1D-, 2D- und 3D-Positionskodierung in PyTorch und TensorFlow.

DiffSharp: Differenzierbare funktionale Programmierung

Die sauberste AutoML-Bibliothek der Welt ✨ - Hyperparameter-Tuning mit den richtigen Pipeline-Abstraktionen für saubere Deep-Learning-Produktions-Pipelines. Ermöglicht Hyperparameter-Räume in Pipeline-Schritten. Kompatibel mit Scikit-Learn, TensorFlow und den meisten anderen Bibliotheken, Frameworks und MLOps-Umgebungen.

Python-Bibliothek zur Gesichtsanalyse mit PyTorch

Ein Deep-Learning-Framework zur Posenerfassung mehrerer Tiere.

Einfache und modulare Computer-Vision-Detektoren, -Tracker & SAM – YOLOv9, v8, v7, v6, v5, R, X in unter 10 Zeilen Code ausführen.

Ereignisextraktion und deren Anwendung basierend auf juristischen Urteilsdokumenten, einschließlich Daten-Tokenisierung, POS-Tagging, Named Entity Recognition, Extraktion von Ereigniselementen und Vorhersage von Urteilsergebnissen

Dieses Repository bietet eine umfassende Liste von Radar- und optischen Satellitendatensätzen, die für Aufgaben der Schiffserkennung, Klassifizierung, semantischen Segmentierung und Instanzsegmentierung zusammengestellt wurden. Diese Datensätze sind ideal für Anwendungen in Computer Vision, Machine Learning, Fernerkundung und maritimer Analyse.

Herstellerunabhängige TinyML-Deep-Learning-Bibliothek, Compiler und Inferenz-Framework für Mikrocomputer und Mikrocontroller

Bücher und weitere Ressourcen.

Eine Implementierung des BERT-Modells und zugehöriger Downstream-Aufgaben basierend auf dem PyTorch-Framework.

Eine Teilmenge der neuronalen Netzwerkmodule von PyTorch, geschrieben in Python mit OpenAI Triton.

Lösungen für die Übungen aus „Dive into Deep Learning“, online verfügbar unter:

Kursnotizen zur Vorlesung Machine Learning 2021 Spring von Professor Hung-yi Lee an der National Taiwan University (NTU).

Repository zum Papier „A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series“.

PILOT: Eine Toolbox für vortrainiertes, modellbasiertes kontinuierliches Lernen.

Offline-semantische Text-zu-Bild- und Bild-zu-Bild-Suche auf Android, angetrieben durch ein quantisiertes, hochmodernes Vision-Language-Modell CLIP und die ONNX Runtime

KI-Bildsignalverarbeitung und Computerfotografie. Offizielle Bibliothek für NTIRE (CVPR) und AIM (ICCV/ECCV) Challenges. Enthält gelernte ISPs, RAW-Wiederherstellung-Upsampling-Rekonstruktion, Bildverbesserung, Bokeh-Rendering und mehr.

Deep Learning Simplified ist ein Open-Source-Repository mit Deep-Learning-Projekten für Einsteiger bis Fortgeschrittene, die ihre Reise im Bereich Deep Learning beginnen möchten.

Visuelle Objektverfolgung