Awesome GitHub RepositoriesDeterministic Training Seeds

Corenet is a deep learning training framework and computer vision model library designed for developing neural networks across vision, text, and audio modalities. It functions as a distributed training orchestrator for scaling workloads across multiple compute nodes and provides a multimodal data pipeline for processing image, text, and video data. The project includes a model conversion toolkit for transforming weights and architectures between different machine learning frameworks. It also provides tools for optimizing model performance on Apple Silicon and reducing response latency in gene

OpenEvolve ist ein Framework für evolutionäre Algorithmen, das Large Language Models nutzt, um autonom Programmieralgorithmen zu entdecken und zu optimieren. Es fungiert als Engine zur Algorithmen-Entdeckung und als Code-Suchwerkzeug, das Populationen von Programm-Kandidaten weiterentwickelt, um effiziente Implementierungen und hardware-spezifische Geschwindigkeitsvorteile zu finden. Das System behandelt sowohl Code als auch Systemanweisungen als evolvierbare Einheiten und nutzt einen automatisierten Prompt-Optimierer, um die Modellleistung iterativ zu verfeinern. Es erhält die Suchstabilität durch nischenbasiertes Populationsmanagement, um die Vielfalt zu bewahren, und verwendet einen Closed-Loop-Feedback-Mechanismus, der Laufzeitfehler und Logs zur autonomen Fehlerbehebung zurück in den Generierungsprozess einspeist. Das Framework enthält zudem einen Agent-Orchestrator, der Antworten von mehreren Modell-APIs unter Verwendung gewichteter Logik und Fallback-Strategien aggregiert. Zur Unterstützung wissenschaftlicher Berechnungen implementiert es deterministische Ausführung durch die Verwaltung konsistenter Zufalls-Seeds über alle stochastischen Komponenten hinweg. Das Projekt bietet ein interaktives Dashboard zur Visualisierung des Evolutionsfortschritts und von Echtzeit-Leistungsmetriken.

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

Dieses Projekt ist ein PyTorch-Projekt-Boilerplate und Trainings-Framework, das darauf ausgelegt ist, die Entwicklung von Deep-Learning-Experimenten zu standardisieren. Es bietet ein strukturiertes Verzeichnis-Layout und eine Reihe von Basisklassen, um neue Projekte zu bootstrappen und einen konsistenten Workflow von der Daten-Pipeline-Konstruktion bis zur Modellausführung sicherzustellen. Das Framework zeichnet sich durch einen zentralisierten Konfigurationsmanager für Hyperparameter aus, der Befehlszeilen-Overrides unterstützt, sowie durch eine Hardware-Beschleunigungsschicht zur Verteilung von Rechenaufgaben auf mehrere Grafikprozessoren. Zudem implementiert es eine Basisklassen-Orchestrierungsschicht, um das Mischen von Datensätzen, die Batch-Generierung und die Validierungs-Splits zu automatisieren. Das System deckt ein breites Spektrum an Trainingsfunktionen ab, einschließlich automatisiertem Metrik-Logging, Checkpoint-basierter Status-Serialisierung zum Fortsetzen des Trainings und Ergebnis-Determinismus durch Seed-Synchronisation. Es enthält zudem Tools zur Überwachung des Trainingsfortschritts und zur Implementierung von Early-Stopping basierend auf Performance-Benchmarks.

Osim-rl is a research environment designed for the development and evaluation of reinforcement learning agents within physics-based musculoskeletal simulations. It provides a standardized interface that maps physiological state observations to muscle excitation control signals, enabling the study of human movement and biomechanics through iterative policy optimization. The framework distinguishes itself by integrating high-fidelity musculoskeletal modeling with tools for scientific benchmarking and reproducible experimentation. It allows researchers to define custom reward functions and adjus