Awesome GitHub RepositoriesCustom Dataset Loading

This project is a comprehensive collection of educational examples and reference implementations for building vision and language models using PyTorch. It serves as a deep learning tutorial covering the end-to-end process of developing neural networks, from initial architecture definition to final production deployment. The repository provides detailed guides on implementing a wide range of domain-specific models, including convolutional neural networks for object detection and segmentation, as well as transformer and recurrent architectures for natural language processing. It emphasizes gene

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

Snorkel is a weak supervision system that enables users to programmatically generate training labels for machine learning models without manual annotation. At its core, it provides a framework for writing labeling functions as Python callables that each vote on data points, and then trains a probabilistic graphical model over these multiple weak supervision sources to estimate latent true labels without any ground truth data. The system automatically learns accuracy and correlation parameters between labeling functions by analyzing observed agreement patterns on unlabeled data, converting lab

GDAL ist eine MIT-lizenzierte Open-Source-Übersetzerbibliothek, die ein einheitliches abstraktes Datenmodell für das Lesen und Schreiben von Geodaten-Raster- und Vektordaten über Hunderte von Dateiformaten hinweg bereitstellt. Sie dient als grundlegende Geodaten-Übersetzungsbibliothek und ermöglicht den Zugriff auf diverse Geodatenformate über eine einzige, konsistente Schnittstelle. Die Bibliothek macht ihre Kernfunktionalität über Befehlszeilen-Dienstprogramme zugänglich, die es Benutzern ermöglichen, Geodaten zwischen Formaten zu übersetzen, zu konvertieren und zu verarbeiten. Eine Koordinatentransformations-Engine übernimmt Konvertierungen zwischen räumlichen Referenzsystemen, während ein Format-Treiber-Plugin-System die formatspezifische Lese- und Schreiblogik zur Laufzeit lädt. Die virtuelle Dateisystemschicht bietet einheitlichen I/O-Zugriff über lokale Dateien, HTTP, Cloud-Speicher und komprimierte Archive, und ein Raster-Block-Cache verwaltet das In-Memory-Tile-Caching, um I/O-Operationen zu reduzieren. GDAL unterstützt das Lesen und Schreiben sowohl von Raster- als auch von Vektor-Geodaten, wobei die Vektor-Feature-Iteration Features einzeln streamt, ohne ganze Datensätze in den Speicher zu laden. Das Projekt ermöglicht die geodatenbasierte Interoperabilität zwischen Formaten durch die Unterstützung des Datenaustauschs zwischen verschiedenen Geodaten-Software-Ökosystemen mittels ihrer umfangreichen Formatunterstützung.

Anomalib is a PyTorch-based library for visual anomaly detection, offering a modular framework, a comprehensive model zoo, and a benchmarking suite designed for industrial defect detection. It provides a wide range of algorithms—including generative, discriminative, teacher-student, and vision-language approaches—that support unsupervised, few-shot, and zero-shot settings. The library enables deployment through model export to ONNX and OpenVINO for edge devices, and includes a no-code web application for training and inference. It also features a command-line interface for orchestrating multi

TorchGeo is a PyTorch library designed for deep learning on geospatial data, providing a framework for building and training neural networks for tasks such as semantic segmentation, object detection, and change detection. It serves as a comprehensive pipeline for remote sensing, featuring specialized dataset loaders and multispectral image preprocessing tools. The library is distinguished by a dedicated remote sensing model zoo and extensive support for transfer learning, allowing users to integrate pre-trained weights optimized for specific satellite sensors. It also includes support for sel

PyTorchZeroToAll ist eine Bildungsressource und eine Sammlung von Tutorials, die sich auf Deep Learning und das PyTorch-Framework konzentrieren. Sie bietet einen strukturierten Lernpfad für die Implementierung neuronaler Netzwerkarchitekturen, der von grundlegender Sprachsyntax und Grundlagen bis hin zu komplexem Modelldesign reicht. Das Projekt dient als Implementierungsleitfaden für den Aufbau verschiedener Netzwerktypen, einschließlich linearer, logistischer, konvolutionsbasierter und rekurrenter Netzwerke. Es behandelt spezifisch den Workflow für die Sequenzmodellierung durch die Verwendung von Attention-Mechanismen und zeichenbasierten Netzwerken. Die Ressource deckt zudem die Datenvorbereitung für Machine Learning ab, einschließlich der Verwendung benutzerdefinierter Dataset-Loader, Textverarbeitungswerkzeuge und der Übersetzung von Rohquelldateien in Tensoren für Trainings-Pipelines.

mmpretrain is a modular PyTorch computer vision framework designed for developing, training, and benchmarking deep learning architectures. It serves as a comprehensive toolkit for vision tasks, providing a specialized platform for multimodal machine learning and self-supervised learning. The project features a computer vision model zoo containing architectural definitions and pre-trained weights for backbones such as ViT, ConvNeXt, and Swin Transformer. It distinguishes itself through a dedicated self-supervised learning toolkit that implements algorithms like MAE and DINO to train models wit

This is a structured deep learning curriculum for programmers, delivered as a collection of Jupyter notebooks. It teaches the fundamentals of training neural networks for computer vision, natural language processing, tabular data analysis, and collaborative filtering using PyTorch and the fastai library. The course is designed to be hands-on, guiding learners from building a training loop from scratch to fine-tuning pretrained models for a variety of practical tasks. The curriculum distinguishes itself by covering the full lifecycle of a deep learning project, from data preparation and augmen