imagenet

La colección más grande de codificadores y backbones de imágenes para PyTorch. Incluye scripts de entrenamiento, evaluación, inferencia, exportación y pesos preentrenados: ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 y V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt y más.

Computer Vision Annotation Tool (CVAT) es una plataforma líder para crear conjuntos de datos visuales de alta calidad para IA de visión. Ofrece productos de código abierto, en la nube y empresariales, así como servicios de etiquetado, para anotación de imágenes, video y 3D con etiquetado asistido por IA, control de calidad, colaboración en equipo, análisis y API para desarrolladores.

Esta es una implementación oficial para "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".

Modelos de segmentación semántica con más de 500 backbones preentrenados basados en redes convolucionales y transformers.

¡Aprendizaje automático amigable para la web! 🤖

Backbones de IA eficientes que incluyen GhostNet, TNT y MLP, desarrollados por Huawei Noah's Ark Lab.

Modelos fundacionales de visión eficientes para generación y percepción de alta resolución.

DAMO-YOLO: un método de detección de objetos rápido y preciso con nuevas tecnologías, que incluyen backbones NAS, RepGFPN eficiente, ZeroHead, AlignedOTA y mejora de destilación.

Entorno de pruebas (sandbox) para entrenar redes de deep learning

¡Domine el Aprendizaje Federado en 2 horas: ejecútelo en su PC!

Implementación del modelo EfficientNet. Keras y TensorFlow Keras.

Clasificación con PyTorch.

Un framework sin código basado en PyTorch para estudios de aprendizaje profundo reproducibles. Parte del ecosistema PyTorch. Incluye hasta la fecha 26 métodos de destilación de conocimiento presentados en TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. Se proporcionan modelos entrenados, registros de entrenamiento y configuraciones para garantizar la reproducibilidad y el benchmarking.

Implementación en Keras de "One pixel attack for fooling deep neural networks" utilizando evolución diferencial en Cifar10 e ImageNet.

Implementación en Tensorflow y Keras de U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET y Swin-UNET con backbones opcionales entrenados en ImageNet.

Marco de gestión de conjuntos de datos, una biblioteca de Python y herramienta CLI para construir, analizar y gestionar datasets de visión artificial

CAIRI: Caja de herramientas y benchmark para aprendizaje de representación visual supervisado, semi-supervisado y auto-supervisado

Keras beit, caformer, CMT, CoAtNet, convnext, davit, dino, efficientdet, edgenext, efficientformer, efficientnet, eva, fasternet, fastervit, fastvit, flexivit, gcvit, ghostnet, gpvit, hornet, hiera, iformer, inceptionnext, lcnet, levit, maxvit, mobilevit, moganet, nat, nfnets, pvt, swin, tinynet, tinyvit, uniformer, volo, vanillanet, yolor, yolov7, yolov8, yolox, gpt2, llama2, alias kecam

Un conjunto de pruebas de ImageNet más difícil (CVPR 2021)

RectLabel es una herramienta de anotación de imágenes offline para detección y segmentación de objetos.