resnet

Die größte Sammlung von PyTorch-Bildencodern / Backbones. Enthält Trainings-, Evaluierungs-, Inferenz- und Exportskripte sowie vortrainierte Gewichte -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt und mehr

Implementierung gängiger Deep-Learning-Netzwerke mit der TensorRT-Netzwerkdefinitions-API

Tools zum Entwerfen oder Visualisieren der Architektur neuronaler Netze.

Vortrainierte PyTorch-Modelle zur Gesichtserkennung (MTCNN) und Gesichtsidentifikation (InceptionResnet)

Segmentierungsmodelle mit vortrainierten Backbones. Keras und TensorFlow Keras.

Training mit 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)

OpenMMLab Pre-training Toolbox und Benchmark

Implementiere Schritt für Schritt eine hochleistungsfähige Deep-Learning-Inferenzbibliothek, die Modelle wie Llama2, Unet, Yolov5, Resnet und andere unterstützt.

DeepLab v3+-Modell in PyTorch. Unterstützt verschiedene Backbones.

Integrieren Sie Deep-Learning-Modelle für die Bildklassifizierung | Backbone-Lern-/Vergleichs-/Modifikationsprojekt

Ein auf PyTorch basierendes Deep-Learning-Framework für die multimodale 2D/3D-Segmentierung medizinischer Bilder

Klassifizierung mit PyTorch.

Forschungs- und produktionsorientiertes Toolkit für Sprecherverifizierung, -erkennung und -diarisierung.

Korrekte Implementierung von ResNet-s für CIFAR10/100 in PyTorch, die der Beschreibung des Originalpapiers entspricht.

Eine Deep-Learning-Bibliothek für die Klassifizierung von EEG-Aufgaben (Signalen), basierend auf TensorFlow.

Adan: Adaptiver Nesterov-Momentum-Algorithmus für eine schnellere Optimierung von Deep-Modellen

Lesbareres und flexibleres yolov5 mit mehr Backbones (gcn, resnet, shufflenet, mobilenet, efficientnet, hrnet, swin-transformer etc.) sowie (cbam, dcn etc.) und TensorRT

Extrahieren von Videofunktionen aus Rohvideos unter Verwendung mehrerer GPUs. Wir unterstützen RAFT-Flow-Frames sowie S3D-, I3D-, R(2+1)D-, VGGish-, CLIP- und TIMM-Modelle.

Selbst-Labeling durch gleichzeitiges Clustering und Repräsentationslernen (ICLR 2020).

Code für das Nature Scientific Reports-Paper „Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks“. Ein Sliding-Window-Framework zur Klassifizierung hochauflösender Whole-Slide-Images, insbesondere in der Mikroskopie oder Histopathologie.