Awesome GitHub RepositoriesDataset Annotations

Hub is a multimodal AI data lake and vector database designed for storing and querying embeddings, text, audio, and images. It functions as a dataset version control system and a machine learning data streaming engine to support large-scale model training. The system utilizes a serverless PostgreSQL vector store to index high-dimensional embeddings for semantic search. It provides a visual interface for inspecting multimodal datasets and viewing annotations such as bounding boxes and masks. The platform handles cloud-agnostic storage synchronization and implements lazy, compressed data strea

MMPose is a PyTorch-based pose estimation toolbox and deep learning training pipeline designed for detecting 2D and 3D keypoints on humans, animals, and faces. It serves as a computer vision model zoo and a framework for both 2D pose estimation and 3D pose lifting. The project is distinguished by its modular architecture and extensibility, employing a registry-based system and hierarchical configurations to allow for custom algorithm integration and model pipeline customization. It supports diverse estimation paradigms, including top-down, bottom-up, and two-stage pose lifting workflows. The

ClearML is a comprehensive MLOps platform designed to manage the end-to-end machine learning lifecycle, from initial experimentation to production deployment. It provides a suite of integrated tools including a pipeline orchestrator for automating workflows, an experiment tracking tool for logging hyperparameters and metrics, and a metadata-driven data versioning system for managing large-scale datasets and model artifacts. The platform is distinguished by its advanced compute management and serving capabilities. It features a GPU compute manager that supports fractional resource slicing and

ClearML is a comprehensive MLOps platform designed to manage the entire machine learning lifecycle. It functions as an experiment tracking tool, a data versioning system, and a pipeline orchestrator, while providing infrastructure for GPU cluster management and model serving. The platform is distinguished by its ability to handle hybrid-cloud compute scheduling and fractional GPU allocation, allowing multiple workloads to share a single hardware accelerator. It employs a metadata-based approach to data versioning, using virtual views to track large datasets and artifacts without duplicating r

MMDetection3D is an open-source toolbox for 3D perception, providing a unified framework for detecting and segmenting objects in three-dimensional environments. It supports a range of core tasks including monocular 3D object detection from single camera images, LiDAR-based 3D object detection from raw point clouds, and multi-modal fusion that combines camera images with LiDAR data. The toolbox also covers point cloud semantic segmentation, assigning class labels to every point in a scan for scene understanding. The project distinguishes itself through a config-driven pipeline that orchestrate

Giskard هو إطار عمل للتقييم، ومكتبة للاختبار، ونظام لمراقبة الجودة لنماذج اللغات الكبيرة (LLM) ووكلاء الذكاء الاصطناعي. يعمل كأداة لقياس أداء النماذج وموثوقيتها، ويوفر قدرات متخصصة للتحقق من خطوط أنابيب توليد الاسترجاع المعزز (RAG). يتميز المشروع بأداة آلية للاختبار الهجومي (red teaming) وماسح أمني مصمم لتحديد الثغرات، وحقن الأوامر (prompt injections)، ومخاطر السلامة. يستخدم الفحص العدائي وتوليد حالات الحافة الاصطناعية لقياس متانة النموذج واكتشاف تسريب المعلومات. يغطي النظام مجموعة واسعة من القدرات، بما في ذلك اكتشاف الدقة الواقعية والهلوسة، وقياس الأداء المنطقي والاستدلالي، واكتشاف التحيز. يوفر أدوات لاختبار الانحدار، وتقييم مكونات RAG، والتوليد الآلي لحالات الاختبار من قواعد المعرفة. يتضمن النظام ميزات إدارية لمساحات عمل الفريق التعاونية، والتحكم في الوصول القائم على الأدوار، وخطوط أنابيب التقييم المجدولة لمراقبة انحراف الأداء بمرور الوقت.

Argilla هي أداة تعاونية للتغذية الراجعة للذكاء الاصطناعي ونظام إدارة تنظيم البيانات. تعمل كمنصة لمجموعات البيانات التي تعتمد على الإنسان في الحلقة (Human-in-the-loop) مصممة لتنسيق القائمين على التعليق التوضيحي والخبراء في المجال في تصنيف وتقييم وتحسين عينات البيانات لمشاريع تعلم الآلة. تركز المنصة على تنظيم مجموعات بيانات نماذج اللغات الكبيرة وسير عمل التعلم التعزيزي من التغذية الراجعة البشرية. توفر مساحة عمل مشتركة لدمج الخبرة البشرية في تطوير الذكاء الاصطناعي للتحقق من مخرجات النموذج وتصحيح أخطاء البيانات. يدير النظام خط أنابيب بيانات تعلم الآلة من البداية إلى النهاية، بما في ذلك استيراد مجموعات البيانات من المراكز الخارجية، وتحديد مخططات التغذية الراجعة المخصصة للتصنيفات والترتيبات، وتصدير البيانات المشروحة. يدعم إدارة البيانات البرمجية وإنشاء سير عمل آلي لتحسين أداء النموذج بشكل تكراري.

هذا 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.