Libs با برچسب "یادگیری عمیق"

semantic-kitti-api

SemanticKITTI API برای تجسم مجموعه داده ها، پردازش داده ها و ارزیابی نتایج..

622
Python
MIT

phenaki-pytorch

پیاده سازی Phenaki Video، که از Mask GIT برای تولید ویدئوهای هدایت شده متنی تا 2 دقیقه در Pytorch استفاده می کند.

621
Python
MIT

STEGO

تقسیم بندی معنایی بدون نظارت با تقطیر تناظرهای ویژگی.

TimeSformer-pytorch

پیاده سازی TimeSformer از فیس بوک AI، یک راه حل مبتنی بر توجه خالص برای طبقه بندی ویدئو.

617
Python
MIT

BMSG-GAN

[MSG-GAN] هر بدنی می تواند GAN را انجام دهد! معماری بسیار پایدار و مستحکم. نیاز به تنظیم هایپرپارامتری کمی دارد. پیاده سازی Pytorch.

615
Python
MIT

cvlib

یک کتابخانه ساده، سطح بالا، آسان برای استفاده و منبع باز Computer Vision برای پایتون..

612
Python
MIT

ADBench

اجرای رسمی "ADBench: معیار تشخیص ناهنجاری"..

606
Python
BSD 2-clause "Simplified"

BCDU-Net

BCDU-Net: تقسیم بندی تصویر پزشکی.

605
Python

OpenChem

OpenChem: جعبه ابزار یادگیری عمیق برای تحقیقات شیمی محاسباتی و طراحی دارو.

604
Python
MIT

long-range-arena

عرصه دوربرد برای محک زدن ترانسفورماتورهای کارآمد.

600
Python
Apache License 2.0

AdaBins

اجرای رسمی Adabins: تخمین عمق با استفاده از سطل های تطبیقی.

600
Python
GNU General Public License v3.0 only

web-ai

مدل های مدرن یادگیری عمیق را در مرورگر اجرا کنید..

599
TypeScript
MIT

nnsvs

کتابخانه سنتز صدای آواز مبتنی بر شبکه عصبی برای تحقیق

598
Python
MIT

awesome-open-data-centric-ai

فهرست انتخاب شده ابزارهای منبع باز برای هوش مصنوعی داده محور در داده های بدون ساختار..

593
/DEVs
Creative Commons Attribution 4.0

NBA-Machine-Learning-Sports-Betting

شرط بندی ورزشی NBA با استفاده از یادگیری ماشین.

592
Python

obsidian-ava

به سرعت یادداشت های خود را با ChatGPT در Obsidian قالب بندی کنید.

590
TypeScript
MIT

ai-art-generator

برای خودکارسازی ایجاد دسته های بزرگی از آثار هنری تولید شده توسط هوش مصنوعی به صورت محلی..

588
Python
GNU General Public License v3.0

sktime-dl

بسته همراه sktime برای یادگیری عمیق بر اساس TensorFlow.

587
Python
BSD 3-clause "New" or "Revised"

FastestDet

:zap: یک الگوریتم تشخیص هدف بدون لنگر بسیار سبک طراحی شده جدید، با وزن تنها 250K پارامتر، مصرف زمان را 10٪ در مقایسه با yolo-fastest کاهش می دهد و پس پردازش ساده تر است.

587
Python
BSD 3-clause "New" or "Revised"

gdrl

آموزش تقویت عمیق Grokking.

581
Jupyter Notebook
BSD 3-clause "New" or "Revised"

[NeurIPS 2020] MCUNet: یادگیری عمیق کوچک در دستگاه‌های IoT. [NeurIPS 2021] MCUNetV2: استنباط مبتنی بر وصله کارآمد حافظه برای یادگیری عمیق کوچک. [NeurIPS 2022] MCUNetV3: آموزش روی دستگاه با حافظه 256 کیلوبایت (توسط mit-han-lab).

581
C
MIT

tape

Tasks Assessing Protein Embeddings (TAPE)، مجموعه ای از پنج کار آموزشی نیمه نظارت شده مرتبط با بیولوژیکی که در حوزه های مختلف زیست شناسی پروتئین گسترده شده است. (توسط songlab-cal).