4 مستودعات
Awesome GitHub RepositoriesPose Estimation Training Pipelines
Workflows for training neural networks for keypoint detection using large datasets and memory-efficient optimization techniques.
Distinct from Pose Estimation Models: Distinct from general pose estimation models: focuses on the training pipeline and optimization tools rather than the model architecture itself.
Explore 4 awesome GitHub repositories matching artificial intelligence & ml · Pose Estimation Training Pipelines. Refine with filters or upvote what's useful.
Awesome Pose Estimation Training Pipelines GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- leoxiaobin/deep-high-resolution-net.pytorch
leoxiaobin/deep-high-resolution-net.pytorch
4,479عرض على GitHubهذا المشروع هو تطبيق PyTorch لبنية بحثية مصممة للتعلم التمثيلي عالي الدقة. يعمل كإطار عمل لرؤية الحاسوب يركز على الكشف الدقيق للنقاط الرئيسية، وتقدير وضعية جسم الإنسان، والتقسيم الدلالي للصور. يوفر التطبيق أدوات متخصصة لتحديد المعالم التشريحية على جسم الإنسان والتنبؤ بإحداثيات النقاط الرئيسية للوجه لتحليل التوجه والمحاذاة. يستخدم نظاماً من التدفقات المتوازية متعددة الدقة ودمجاً متكرراً متعدد المقاييس للحفاظ على تمثيلات عالية الدقة عبر الشبكة. يغطي إطار العمل مجموعة واسعة من مهام رؤية الحاسوب، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، والتقسيم الدلالي على مستوى البكسل. كما يتضمن مسارات عمل لتدريب النماذج على مجموعات بيانات مصنفة وتقييم دقة مواضع المفاصل المتوقعة كمياً مقابل بيانات التحقق.
Includes workflows for training neural networks to detect human keypoints using labeled datasets.
Cuda - hrnet/higherhrnet-human-pose-estimation
HRNet/HigherHRNet-Human-Pose-Estimation
1,456عرض على GitHubHigherHRNet هو إطار عمل للتعلم العميق مصمم لتقدير وضعية الإنسان من الأسفل إلى الأعلى (bottom-up). يعمل ككاشف للنقاط الرئيسية في الرؤية الحاسوبية، حيث يحدد ويتتبع مفاصل جسم الإنسان باستخدام أهرامات الميزات عالية الدقة والتعلم التمثيلي المدرك للمقياس. يتميز المشروع بنهج من الأسفل إلى الأعلى، والذي يحدد أجزاء الجسم الفردية عبر الصورة بأكملها قبل تجميعها في هياكل عظمية بشرية متميزة. يتم دعم هذه المنهجية من خلال دمج الميزات متعددة الدقة، والتي تحافظ على تمثيلات عالية الدقة عبر الشبكة من خلال دمج الفروع المتوازية ذات الدقة المكانية المتغيرة بشكل متكرر. ولضمان دقة متسقة للأشخاص ذوي الأحجام المختلفة، يستخدم النظام انحدار الخرائط الحرارية المدرك للمقياس والاستدلال متعدد المقاييس، مما يجمع التنبؤات عبر دقات صور متعددة. يتضمن إطار العمل أدوات شاملة لتدريب الشبكات العصبية على مجموعات بيانات كبيرة. تدمج خطوط أنابيب التدريب هذه تسوية الدفعات المتزامنة (synchronized batch normalization) لتحقيق استقرار التقارب عبر وحدات معالجة الرسومات المتعددة، وحوسبة الموتر بدقة مختلطة لإدارة استهلاك الذاكرة وسرعة التدريب. تستخدم البنية أيضاً طبقات رفع الدقة (upsampling) التلافيفية لتعيين التمثيلات منخفضة الدقة مرة أخرى إلى أبعاد الإدخال الأصلية.
Provides tools for training neural networks for keypoint detection using large datasets and optimized training techniques.
Python - tensorboy/pytorch_realtime_multi-person_pose_estimation
tensorboy/pytorch_Realtime_Multi-Person_Pose_Estimation
1,372عرض على GitHubهذا المشروع عبارة عن إطار عمل للتعلم العميق مصمم لاكتشاف وتتبع النقاط الرئيسية لجسم الإنسان في الصور وتدفقات الفيديو. يعمل كنظام تتبع حركة في الوقت الفعلي وبيئة تعلم آلة لتدريب وتقييم نماذج تقدير الوضعية. يستخدم النظام شبكة عصبية تلافيفية ثنائية الفرع للتنبؤ بمواقع أجزاء الجسم واتصالاتها الاتجاهية في وقت واحد. يستخدم النظام تحسين الميزات متعدد المراحل لتحسين دقة تحديد النقاط الرئيسية ويستخدم خوارزميات التحليل الجشع والمطابقة الثنائية لربط الأجزاء المكتشفة في هياكل عظمية فردية. للحفاظ على الأداء أثناء تحليل الفيديو المباشر، ينفذ إطار العمل استدلالاً متوازياً عبر مناطق الصورة باستخدام معالجة الدفعات القائمة على الموتر. بعيداً عن التتبع في الوقت الفعلي، توفر المكتبة أدوات لتدريب النماذج على مجموعات البيانات المشروحة وحساب متوسط الدقة مقابل المعايير القياسية للتحقق من جودة الاكتشاف. يتضمن المستودع المكونات اللازمة لإدارة دورة حياة تقدير الوضعية بالكامل، من تدريب النموذج الأولي إلى التحقق من الأداء.
Provides training pipelines to optimize neural network weights for human pose detection on annotated datasets.
Python - nvidia-ai-iot/trt_pose
NVIDIA-AI-IOT/trt_pose
1,060عرض على GitHubهذا المشروع عبارة عن إطار عمل للرؤية الحاسوبية مصمم للكشف في الوقت الفعلي عن النقاط الرئيسية لجسم الإنسان والهياكل الهيكلية. يوفر مجموعة أدوات متكاملة لتدريب وتحسين وتنفيذ نماذج تقدير الوضعية (pose estimation) خصيصاً للنشر على أجهزة الحوسبة الطرفية (edge computing). يتميز إطار العمل باستخدام تعيين مجال تقارب الأجزاء (part affinity field mapping) لتشفير العلاقات المكانية بين المفاصل، والتي تتم معالجتها بعد ذلك من خلال خوارزمية تحليل جشعة لإعادة بناء هياكل جسم الإنسان من البيانات البصرية. لضمان تنفيذ عالي الأداء، تدمج المكتبة تكميم النموذج ومحركات الاستدلال المسرعة بالعتاد التي تحسن الرسوم البيانية الحسابية لأجهزة محلية محددة. بالإضافة إلى الكشف الأساسي، يدعم المشروع سير عمل شامل يتضمن تطوير نماذج وضعية مخصصة باستخدام مخططات مجموعات بيانات قياسية. تسمح هذه القدرات بضبط النماذج لمعالجة مهام كشف فريدة مع الحفاظ على متطلبات زمن الوصول المنخفض اللازمة لتحليل بث الفيديو المباشر.
Supports end-to-end workflows for training specialized pose estimation models using custom dataset schemas.
Pythonhuman-posehuman-pose-estimationjetson
