Awesome GitHub RepositoriesRegion Alignment

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

Detectron is a PyTorch object detection framework and computer vision research platform. It provides implementations of neural network architectures for locating and identifying objects in images, including Mask R-CNN for generating instance segmentation masks and RetinaNet for one-stage detection. The platform supports computer vision prototyping and object detection research through the deployment of pre-trained baseline models. This allows for the rapid implementation and evaluation of visual recognition systems. Its capabilities cover image object localization and instance segmentation w

This project is a TensorFlow and Keras implementation of the Mask R-CNN architecture. It provides a framework for performing simultaneous object detection and instance segmentation, transforming raw images into segmented masks and bounding boxes for individual object identification. The toolset enables custom computer vision training through fine-tuning pre-trained weights and integrating user-provided datasets. It includes capabilities for distributed GPU training to accelerate the optimization of large vision models. The framework covers model evaluation using standard precision metrics an

AI-on-the-edge-device is an edge AI meter digitizer and computer vision image processor designed to convert images of analog and digital utility meters into numeric values. It functions as an IoT gateway that runs neural network inference locally on hardware to monitor water, power, and gas readings. The system is distinguished by its ability to handle both analog pointers and digital digits through custom-trained neural networks. It includes specialized tools for image alignment, region-of-interest extraction, and hardware-level lighting control to minimize glare on glass surfaces. To mainta

هذا المشروع عبارة عن إطار عمل لاكتشاف الكائنات في PyTorch ينفذ بنية Faster R-CNN. يعمل كنموذج رؤية للتنبؤ بصناديق التحديد الدقيقة حول كائنات متعددة داخل الصور وتدفقات الفيديو الحية. تم تحسين النظام للتدريب متعدد الـ GPU لتقليل الوقت المطلوب لتقارب النموذج. يستخدم تصميماً مسرعاً بواسطة GPU للتعامل مع تدريب واستنتاج شبكات الاكتشاف المعقدة. يغطي إطار العمل دورة حياة اكتشاف الكائنات الكاملة، بما في ذلك تدريب الشبكة المخصص والاستنتاج للصور الثابتة وتدفقات الفيديو في الوقت الفعلي. يتضمن قدرات للتحقق من أداء النموذج باستخدام مجموعات بيانات قياسية، بالإضافة إلى تحسينات التدريب مثل التجميع القائم على نسبة العرض إلى الارتفاع وأحمال العمل الموزعة.

mmcv is a foundation library for computer vision based on PyTorch. It provides a comprehensive system for constructing convolutional neural networks, a toolkit for image and video preprocessing, and a collection of high-performance deep learning vision operators. The project is distinguished by its hardware-accelerated kernels for complex operations such as deformable convolutions and region pooling. It features a configuration-driven framework that allows for the dynamic instantiation of network layers and the registration of custom modules without modifying code. The library covers a broad

Yolact هو إطار عمل للرؤية الحاسوبية ونموذج تجزئة مثيل في الوقت الفعلي. يستخدم شبكة عصبية تلافيفية بالكامل لاكتشاف الكائنات وإنشاء أقنعة على مستوى البكسل للصور وتدفقات الفيديو. يستخدم النظام توليد أقنعة نموذجية لإنشاء نماذج أقنعة عالمية يتم دمجها خطياً للحصول على نتائج خاصة بالمثيل. يدمج طبقات تلافيفية قابلة للتشوه وتجميع مناطق الاهتمام القابلة للتشوه لتكييف أخذ العينات المكانية مع الأشكال غير المنتظمة للكائنات. يغطي إطار العمل دورة حياة تطوير النموذج بالكامل، بما في ذلك التدريب على مجموعات بيانات مخصصة، وتقييم الدقة باستخدام متوسط الدقة (mAP)، واستخدام التدريب الموزع متعدد وحدات معالجة الرسومات لتوسيع سرعة المعالجة. كما يوفر أدوات معالجة الوسائط لتطبيق أقنعة التجزئة على الصور وتصدير ملفات الفيديو المشروحة. يتضمن المشروع أدوات استمرارية الحالة لإدارة نقاط التحقق واستئناف التدريب، إلى جانب التسجيل لتسجيل المقاييس وقيم الخسارة.

Deformable-ConvNets هو إطار عمل لرؤية الحاسوب ومجموعة من مكونات الشبكات العصبية المصممة لتنفيذ الشبكات العصبية التلافيفية القابلة للتشكيل (Deformable Convolutional Neural Networks). يوفر طبقات تلافيفية تكيفية وتطبيقات تجميع (pooling) تعدل مجالات استقبالها بناءً على ميزات المدخلات لالتقاط هندسة الكائنات داخل الصور بشكل أفضل. يُمكّن المشروع من استخدام إزاحات أخذ العينات القابلة للتعلم وأقنعة التعديل لمحاذاة الشبكات التلافيفية مع أشكال الكائنات المستهدفة. كما يتضمن أدوات متخصصة لتصور الإزاحات المكتسبة في طبقات التلافيف والتجميع، مما يسمح بتحليل كيفية تكيف الشبكة مع مجال استقبالها المكاني. تُطبق هذه القدرات لتحسين دقة اكتشاف الكائنات وتحسين التجزئة الدلالية (semantic segmentation). يدعم إطار العمل استخراج الميزات من مناطق الاهتمام (ROI) من خلال التجميع القابل للتشكيل لمحاذاة مناطق أخذ العينات مع حدود الكائنات الفعلية. يتضمن التنفيذ خط أنابيب تدريب لتنفيذ وتقييم هذه البنى الشبكية المتخصصة.

هذا المشروع عبارة عن تنفيذ PyTorch لمعمارية Faster R-CNN لاكتشاف الكائنات. يوفر إطار عمل لتحديد فئات كائنات متعددة ومربعات الإحاطة المقابلة لها داخل الصور باستخدام نظام تعلم عميق. يتضمن التنفيذ خط أنابيب تدريب لتحسين النماذج على مجموعات بيانات مخصصة وأداة لتحويل الأوزان المدربة مسبقاً من تنسيقات خارجية إلى هيكل متوافق لتهيئة النموذج. يغطي النظام خط أنابيب اكتشاف من مرحلتين يتكون من شبكة اقتراح المنطقة وطبقة تجميع ROI. ويدمج وظائف خسارة متعددة المهام وانحدار مربع الإحاطة القائم على المرساة (anchor-based) لتحسين مواقع الكائنات. يتضمن المشروع أدوات للتصور في الوقت الفعلي لخسارة التدريب ودقة التنبؤ لمراقبة أداء النموذج.