transformer

PostHTML est un outil permettant de transformer le HTML/XML via des plugins JS

🔥🔥🔥 Modèles améliorés axés sur YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7 et YOLOv5, avec prise en charge de l'amélioration du backbone, du neck, de la head, de la perte, de l'IoU, du NMS et d'autres modules🚀

Collection de papiers et projets open source de l'ICCV 2025.

Une plateforme d'apprentissage en boucle fermée pour la vision par ordinateur où le code peut être exécuté de manière interactive en ligne.

Plugin Fzf pour Fish

Articles de recherche et blogs pour une transition vers l'ingénierie IA.

[CVPR 2022--Oral] Restormer : Transformer efficace pour la restauration d'images haute résolution. État de l'art pour le défloutage de mouvement, la suppression de pluie, le débruitage (données gaussiennes/réelles) et le défloutage de défocalisation.

mPLUG-Owl : La puissante famille de modèles de langage multimodaux.

Simplification des grands modèles de langage (LLM) ; EasyLM est une solution complète pour le pré-entraînement, le réglage fin, l'évaluation et le service de LLM sous JAX/Flax.

Tutoriels Jupyter Notebook sur la résolution de problèmes réels avec le Machine Learning et le Deep Learning en utilisant PyTorch. Sujets : détection de visages avec Detectron 2, détection d'anomalies de séries temporelles avec des auto-encodeurs LSTM, détection d'objets avec YOLO v5, création de votre premier réseau de neurones, prévision de séries temporelles pour les cas quotidiens de coronavirus, analyse de sentiment avec BERT

YOLOv5-Lite : Évolué à partir de YOLOv5, avec une taille de modèle de seulement 900+ ko (int8) et 1,7 Mo (fp16). Atteint 15 FPS sur Raspberry Pi 4B

Graphormer est une architecture d'apprentissage profond polyvalente pour la modélisation moléculaire.

Bibliothèque PyTorch de deep learning pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des crues).

Lumina-T2X est un framework unifié pour la génération de texte vers n'importe quelle modalité.

Implémentation officielle de "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)

MoBA : Mixture of Block Attention pour les LLM à long contexte

Articles et blogs incontournables sur la modélisation de contexte long basée sur les LLM

[CVPR 2025 Highlight] Video Depth Anything : estimation de profondeur cohérente pour les vidéos très longues.

AICI : les prompts comme programmes (Wasm)

Modèles ASR open-source de qualité industrielle prenant en charge le mandarin, les dialectes chinois et l'anglais, atteignant un nouvel état de l'art sur les benchmarks ASR publics en mandarin, tout en offrant une capacité exceptionnelle de reconnaissance des paroles de chansons.

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

Tutoriel de démarrage rapide pour la bibliothèque Transformers

Une liste organisée de documents et ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basés sur les graphes et les Transformers

[ICML 2024] LLMCompiler : un compilateur LLM pour l'appel de fonctions en parallèle

Un framework de déploiement d'IA simple, facile à utiliser et haute performance

Classification de textes chinois (longs, courts, multi-étiquettes) et similarité de phrases avec Keras NLP, incluant des classes de base pour les embeddings et les réseaux (graph), FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM et TextGCN.

Importez des fichiers SVG dans votre projet React Native de la même manière que dans une application Web.

[CVPR 2023] OneFormer : Un Transformer pour gouverner la segmentation d'image universelle

Modèles de réseaux neuronaux pré-entraînés dans Axon (+ intégration des modèles 🤗).

Un framework sans code basé sur PyTorch pour des études d'apprentissage profond reproductibles. Écosystème PyTorch. 🏆 26 méthodes de distillation de connaissances présentées à TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. sont implémentées jusqu'à présent. 🎁 Modèles entraînés, journaux d'entraînement et configurations disponibles pour assurer la reproductibilité et l'étalonnage.