3 Repos
Awesome GitHub RepositoriesCustom Point Cloud Dataset Training
Train and evaluate 3D detection models on user-provided point cloud datasets with custom annotations.
Distinct from Training Dataset Processing: Distinct from Training Dataset Processing: focuses on supporting custom point cloud datasets specifically, not general dataset batching.
Explore 3 awesome GitHub repositories matching artificial intelligence & ml · Custom Point Cloud Dataset Training. Refine with filters or upvote what's useful.
Awesome Custom Point Cloud Dataset Training GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- open-mmlab/mmdetection3d
open-mmlab/mmdetection3d
6,273Auf GitHub ansehenMMDetection3D 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
Provides a pipeline for training 3D detection models on custom point cloud datasets with user-provided annotations.
Python3d-object-detectionobject-detectionpoint-cloud - meta-pytorch/torchtune
meta-pytorch/torchtune
5,774Auf GitHub ansehenTorchtune is a PyTorch-native library for fine-tuning, aligning, and quantizing large language models. It provides a config-driven system for instantiating components, orchestrating distributed training, and managing parameter-efficient fine-tuning with quantization support, all through YAML-based configurations and command-line overrides. The library distinguishes itself through its comprehensive post-training workflow orchestration, combining supervised fine-tuning, preference optimization (DPO, PPO, GRPO), knowledge distillation, and quantization-aware training in a single configurable pip
Supports fine-tuning on custom instruct, chat, and preference datasets with full-parameter or LoRA methods.
Python - sshaoshuai/pcdet
sshaoshuai/PCDet
5,621Auf GitHub ansehenPCDet ist eine Toolbox für LiDAR-3D-Objekterkennung und eine Bibliothek zur Punktwolkenverarbeitung, die auf dem Deep-Learning-Framework PyTorch basiert. Es bietet ein System zur Identifizierung und Lokalisierung dreidimensionaler Objekte innerhalb von Punktwolkendaten. Das Projekt nutzt ein Daten-Modell-Trennungs-Muster, um die Logik zum Laden von Datensätzen von der Kern-Erkennungs-Pipeline zu entkoppeln. Es verfügt über eine Multi-Sensor-Fusions-Pipeline, die Daten von mehreren Sensoren in einer gemeinsamen räumlichen Ansicht kombiniert, sowie ein verteiltes GPU-Trainingssystem zur Skalierung von Workloads über mehrere Grafikprozessoren. Das Toolkit deckt verschiedene Funktionsbereiche ab, darunter voxelbasierte Merkmalsextraktion und zeitliche Punktwolkenanalyse durch Multi-Frame-Fusion. Es integriert zudem Leistungsoptimierungen für GPU-beschleunigte 3D Intersection-over-Union und Rotated Non-Maximum Suppression.
Supports the integration and training of custom point cloud datasets with specific annotations.
Python
