resnet

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.

Implementación de redes de aprendizaje profundo populares con la API de definición de red de TensorRT.

Herramientas para diseñar o visualizar la arquitectura de redes neuronales

Modelos preentrenados de PyTorch para detección de rostros (MTCNN) y reconocimiento facial (InceptionResnet).

Modelos de segmentación con backbones preentrenados. Keras y TensorFlow Keras.

Práctica en 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)

Caja de herramientas de preentrenamiento y Benchmark de OpenMMLab

¡Excelente proyecto para reclutamiento universitario, de otoño, de primavera y pasantías! Te guía para implementar desde cero una biblioteca de inferencia de aprendizaje profundo de alto rendimiento, compatible con la inferencia de modelos grandes como llama2, Unet, Yolov5, Resnet, etc.

Modelo DeepLab v3+ en PyTorch. Soporta diferentes backbones.

Integra modelos de deep learning para la clasificación de imágenes | Proyecto de aprendizaje/comparación/modificación mágica de Backbone

Un framework de aprendizaje profundo basado en PyTorch para la segmentación de imágenes médicas 2D/3D multimodales

Clasificación con PyTorch.

Kit de herramientas para la verificación, reconocimiento y diarización de hablantes orientado a la investigación y la producción.

Implementación adecuada de ResNet-s para CIFAR10/100 en PyTorch que coincide con la descripción del artículo original.

Una librería de Deep Learning para la clasificación de tareas (señales) de EEG, basada en TensorFlow.

Adan: Algoritmo de momento de Nesterov adaptativo para una optimización más rápida de modelos profundos.

Una versión de yolov5 más legible y flexible con más backbones (gcn, resnet, shufflenet, mobilenet, efficientnet, hrnet, swin-transformer, etc.), módulos (cbam, dcn, etc.) y soporte para TensorRT.

Extrae características de video de videos sin procesar utilizando múltiples GPU. Soportamos marcos de flujo RAFT, así como modelos S3D, I3D, R(2+1)D, VGGish, CLIP y TIMM.

Autoetiquetado mediante clustering simultáneo y aprendizaje de representación. (ICLR 2020)

Código para el artículo de Nature Scientific Reports "Clasificación a nivel de patólogo de patrones histológicos en láminas de adenocarcinoma de pulmón resecadas con redes neuronales profundas". Un marco de trabajo de ventana deslizante para la clasificación de imágenes de portaobjetos completos de alta resolución, a menudo imágenes de microscopía o histopatología.