4 مستودعات
Awesome GitHub RepositoriesObject Detection Training
Training processes specifically designed for teaching neural networks to localize and classify objects in visual data.
Distinct from Deep Learning Training Toolsets: Focuses on the training of detection models specifically, rather than a general toolset for any deep neural network.
Explore 4 awesome GitHub repositories matching artificial intelligence & ml · Object Detection Training. Refine with filters or upvote what's useful.
Awesome Object Detection Training GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- amdegroot/ssd.pytorch
amdegroot/ssd.pytorch
5,224عرض على GitHubهذا إطار عمل لاكتشاف الكائنات بـ PyTorch ينفذ كاشف الصندوق المتعدد بلقطة واحدة (Single Shot MultiBox Detector) لتحديد وتوطين كائنات متعددة داخل الصور والفيديو. يوفر المشروع معمارية شبكة عصبية مصممة لاكتشاف الكائنات بلقطة واحدة، والتي تتنبأ بصناديق التحديد وتسميات الفئات في تمريرة واحدة. يتضمن التنفيذ كاشف كائنات في الوقت الفعلي قادراً على معالجة تدفقات الفيديو المباشرة لتتبع وتسمية الكائنات عبر الإطارات المتسلسلة. كما يتميز بخط أنابيب تدريب رؤية حاسوبية كامل لإعداد مجموعات بيانات الصور وتدريب أوزان النموذج. يغطي إطار العمل سير العمل من البداية إلى النهاية لمهام الرؤية، بما في ذلك تحميل مجموعة البيانات، وتدريب نموذج التعلم العميق مع تسريع الأجهزة، وتقييم الأداء الكمي باستخدام مقاييس ونصوص مخصصة.
Provides a training pipeline to teach the model to recognize object classes using labeled datasets and hardware acceleration.
Pythoncomputer-visiondeep-learningimage-recognition - tingsongyu/pytorch-tutorial-2nd
TingsongYu/PyTorch-Tutorial-2nd
4,555عرض على GitHubهذا المشروع عبارة عن مورد تعليمي شامل ودورة تدريبية لبناء الشبكات العصبية باستخدام PyTorch. يغطي اللبنات الأساسية للتعلم العميق، بما في ذلك معالجة الموترات (tensors)، والتمايز التلقائي، وبناء مكونات الشبكة العصبية المعيارية. يعمل المستودع كدليل تقني للعديد من المجالات المتخصصة. يوفر تفاصيل تنفيذ لمهام رؤية الكمبيوتر مثل تصنيف الصور، واكتشاف الكائنات، والتجزئة الدلالية، بالإضافة إلى سير عمل معالجة اللغات الطبيعية التي تتضمن المحولات (transformers)، والشبكات المتكررة، والنماذج التوليدية. بالإضافة إلى ذلك، يتضمن مرجعاً للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على تركيب الصور عبر نماذج الانتشار (diffusion models) والشبكات التنافسية. تمتد المادة إلى تحسين النماذج وخطوط أنابيب النشر. تغطي تقنيات لتقليل حجم النموذج وزيادة سرعة الاستنتاج من خلال التكميم (quantization) وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. تشمل مجالات القدرة الأخرى هندسة البيانات للتحميل المتوازي، وتقييم النموذج باستخدام مقاييس مخصصة، ونشر نماذج اللغات الكبيرة مفتوحة المصدر. يتم تقديم المشروع بشكل أساسي كسلسلة من دفاتر Jupyter.
Implements training processes specifically designed for teaching neural networks to localize and classify objects in visual data.
Jupyter Notebookcomputer-visiondeepsortdiffusion-models - fizyr/keras-retinanet
fizyr/keras-retinanet
4,388عرض على GitHubهذا المشروع عبارة عن تنفيذ للتعلم العميق لمعمارية RetinaNet لاكتشاف وتصنيف الكائنات داخل الصور. تم بناؤه كإطار عمل لاكتشاف الكائنات في Keras وأداة رؤية حاسوبية في TensorFlow، ويوفر تنفيذاً كاملاً للشبكة العصبية بناءً على ورقة RetinaNet. يتضمن إطار العمل مكونات متخصصة مثل شبكة هرم الميزات (Feature Pyramid Network) ودالة خسارة بؤرية (focal loss) للتعامل مع اكتشاف الكائنات. يتميز بمعمارية خلفية قابلة للتكوين وصناديق تحديد قائمة على المرساة (anchor-based) للتنبؤ بمواقع الكائنات عبر مقاييس ونسب عرض إلى ارتفاع متفاوتة. تغطي مجموعة الأدوات سير العمل من البداية إلى النهاية للرؤية الحاسوبية، بما في ذلك روتين التدريب، وتقييم الأداء، ونشر استدلال النموذج. توفر أدوات إدارة البيانات لاستيراد وتصحيح تعليقات الصور التوضيحية من تنسيقات CSV و Pascal VOC، بالإضافة إلى أدوات لتحويل النماذج المدربة إلى تنسيقات مختلفة للنشر.
Implements a full RetinaNet training pipeline to teach neural networks to localize and classify objects in images.
Python - chenyuntc/simple-faster-rcnn-pytorch
chenyuntc/simple-faster-rcnn-pytorch
4,034عرض على GitHubهذا 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.
Provides specialized training processes to teach neural networks to localize and classify objects using custom datasets.
Jupyter Notebookcupyfaster-rcnnobject-detection
