resnet

La plus grande collection d'encodeurs/backbones d'images PyTorch. Inclut des scripts d'entraînement, d'évaluation, d'inférence, d'exportation et des poids pré-entraînés : ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, et plus encore.

Implémentation de réseaux de deep learning populaires avec l'API de définition de réseau TensorRT.

Outils pour concevoir ou visualiser l'architecture de réseaux de neurones.

Modèles pré-entraînés Pytorch pour la détection de visages (MTCNN) et la reconnaissance faciale (InceptionResnet)

Modèles de segmentation avec backbones pré-entraînés. Keras et TensorFlow Keras.

Entraînement sur 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)

Boîte à outils et benchmark de pré-entraînement OpenMMLab.

Projet idéal pour le recrutement ! Implémentez étape par étape une bibliothèque d'inférence de deep learning haute performance, prenant en charge des modèles comme Llama2, Unet, Yolov5, Resnet, etc.

Modèle DeepLab v3+ en PyTorch avec support de différents backbones.

Intégration de modèles de deep learning pour la classification d'images | Projet d'apprentissage, de comparaison et de modification de backbones.

Un framework d'apprentissage profond basé sur PyTorch pour la segmentation d'images médicales 2D/3D multimodales

Classification avec PyTorch.

Boîte à outils de vérification, de reconnaissance et de diarisation du locuteur orientée recherche et production.

Implémentation rigoureuse de ResNet-s pour CIFAR10/100 en PyTorch, conforme à la description du papier original.

Une bibliothèque de Deep Learning pour la classification de tâches EEG (signaux), basée sur TensorFlow.

Adan : Algorithme de momentum de Nesterov adaptatif pour une optimisation plus rapide des modèles profonds.

Yolov5 plus lisible et flexible avec davantage de backbones (gcn, resnet, shufflenet, mobilenet, efficientnet, hrnet, swin-transformer, etc.) et de modules (cbam, dcn, etc.), ainsi que TensorRT

Extraction de caractéristiques vidéo à partir de vidéos brutes utilisant plusieurs GPU. Nous prenons en charge les frames de flux RAFT ainsi que les modèles S3D, I3D, R(2+1)D, VGGish, CLIP, et TIMM

Auto-étiquetage via clustering simultané et apprentissage de représentation. (ICLR 2020)

Code pour l'article de Nature Scientific Reports "Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks". Un framework à fenêtre glissante pour la classification d'images haute résolution, souvent des images de microscopie ou d'histopathologie.