resnet

Bộ sưu tập lớn nhất các bộ mã hóa/backbone hình ảnh PyTorch. Bao gồm tập lệnh huấn luyện, đánh giá, suy luận, xuất và trọng số được huấn luyện trước -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, và nhiều hơn nữa

Triển khai các mạng học sâu phổ biến bằng API định nghĩa mạng TensorRT

Công cụ thiết kế hoặc trực quan hóa kiến trúc của Mạng thần kinh (Neural Network)

Các mô hình PyTorch được huấn luyện trước để phát hiện khuôn mặt (MTCNN) và nhận dạng khuôn mặt (InceptionResnet).

Các mô hình phân đoạn với backbone được huấn luyện trước. Hỗ trợ Keras và TensorFlow Keras.

Thực hành trên 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)

Bộ công cụ huấn luyện trước và tiêu chuẩn đánh giá của OpenMMLab

Dự án tốt cho tuyển dụng trường, thu đông, xuân và thực tập! Hướng dẫn bạn tự tay triển khai thư viện suy luận deep learning hiệu suất cao từ con số không, hỗ trợ suy luận các mô hình lớn như llama2, Unet, Yolov5, Resnet, v.v.

Mô hình DeepLab v3+ trong PyTorch. Hỗ trợ các backbone khác nhau.

Tích hợp các mô hình học sâu để phân loại hình ảnh | Dự án học tập/so sánh/chỉnh sửa nâng cao backbone

Khung học sâu dựa trên PyTorch để phân đoạn hình ảnh y tế 2D/3D đa phương thức

Phân loại với PyTorch.

Bộ công cụ xác thực, nhận dạng và phân đoạn người nói hướng đến nghiên cứu và sản xuất

Cài đặt chuẩn xác ResNet-s cho CIFAR10/100 bằng pytorch khớp với mô tả trong bài báo gốc.

Thư viện Deep Learning dành cho tác vụ phân loại tín hiệu EEG (tín hiệu não), dựa trên TensorFlow.

Adan: Thuật toán động lượng Nesterov thích ứng giúp tối ưu hóa các mô hình học sâu nhanh hơn

Yolov5 dễ đọc và linh hoạt hơn với nhiều backbone (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, v.v.) cùng với (cbam, dcn, v.v.) và tensorrt.

Trích xuất đặc trưng video từ video thô bằng nhiều GPU. Hỗ trợ các khung hình luồng RAFT cũng như các mô hình S3D, I3D, R(2+1)D, VGGish, CLIP và TIMM.

Tự gán nhãn thông qua phân cụm đồng thời và học biểu diễn. (ICLR 2020)

Mã nguồn cho bài báo Nature Scientific Reports "Phân loại cấp độ bệnh lý các mô hình mô học trên các tiêu bản ung thư biểu mô tuyến phổi đã cắt bỏ bằng mạng thần kinh sâu." Một khung cửa sổ trượt để phân loại hình ảnh toàn tiêu bản độ phân giải cao, thường là hình ảnh hiển vi hoặc mô bệnh học.