Awesome GitHub RepositoriesComputer Vision Training

DeepSpeed is a high-performance library designed to scale deep learning model training and inference across massive clusters of GPUs and compute nodes. It provides a comprehensive suite of tools for distributed training, enabling the execution of models that exceed the memory capacity of single devices through advanced parameter partitioning, pipeline-based model parallelism, and memory-efficient state offloading. The framework distinguishes itself through specialized communication-efficient optimizers and hardware-aware acceleration techniques. By utilizing gradient compression, quantization

This project is a library of pretrained computer vision architectures and backbones for image classification and feature extraction. It serves as a comprehensive model zoo and collection of standardized image encoders, including ResNet, Vision Transformers, and EfficientNet, for use in visual analysis and as backbones for object detection and image segmentation. The library provides a framework for distributed training and evaluation of image models using advanced data augmentation and optimization scripts. It includes a dedicated toolset for converting trained PyTorch vision models into the

This project is a comprehensive library of state-of-the-art neural network architectures designed for image classification and feature extraction. It provides a complete deep learning training framework that supports distributed execution, allowing users to build, train, and fine-tune vision models using optimized schedulers and pre-configured training recipes. The library distinguishes itself through a modular backbone architecture that treats neural networks as decoupled feature extractors, enabling the retrieval of multi-scale outputs for downstream tasks like object detection and segmenta

Swin-Transformer is a deep learning framework designed for training and deploying hierarchical vision transformer models. It serves as a research library and toolkit for computer vision tasks, providing the infrastructure to build models that replace standard convolution operations with sliding window self-attention mechanisms. By utilizing a multi-scale feature hierarchy, the framework enables the processing of visual data at varying resolutions and spatial scales. The project distinguishes itself through its implementation of shifted window partitioning, which facilitates global information

PaddleDetection is an object detection framework designed for the end-to-end development, training, and deployment of computer vision models. It provides a comprehensive library of modular neural network architectures and pipelines that support object detection, instance segmentation, and multi-object tracking tasks. The project distinguishes itself through a configuration-driven approach that decouples model components like backbones and heads, allowing for the flexible assembly of custom vision workflows. It incorporates advanced techniques such as anchor-free detection logic, joint detecti

This project is a machine learning data pipeline designed to automate the collection, curation, and preparation of large-scale image datasets. It functions as an image dataset scraper and computer vision curator, providing the necessary infrastructure to aggregate categorized files from web sources and organize them into structured directories for model development. The system distinguishes itself through a batch-processing architecture that integrates data acquisition with automated integrity validation. By scanning files to remove corrupted or invalid images and applying deterministic parti

This project is a collection of educational resources and implementation frameworks providing deep learning model recipes, code samples, and step-by-step guides for computer vision tasks. It organizes complex workflows into modular recipes and implementation guides to facilitate the building of image and video analysis models. The framework focuses on specialized vision capabilities, including an image similarity framework for fast retrieval and re-ranking, human pose estimation, and video action recognition. It also provides specific tools for crowd density estimation and document image clea

Keras-GAN is a collection of generative adversarial network implementations built with Keras for synthetic data generation and image manipulation. It provides frameworks for image-to-image translation, image inpainting, and neural image super-resolution. The library includes tools for learning disentangled latent space representations to control specific attributes of synthetic outputs. It also features capabilities for image domain translation using paired or unpaired data and the ability to fill corrupted or missing image parts by analyzing surrounding visual context. The project covers ge

ImageAI is a Python computer vision library providing a suite of tools for image classification, object detection, and video analytics. It functions as an integrated framework for locating and labeling objects in static images and video streams, utilizing deep learning models for identification and categorization. The project includes a model training toolkit that allows for the creation of custom classifiers and detectors through scratch training or transfer learning. It features a GPU-accelerated inference engine to increase processing speed for vision tasks and includes specialized utiliti

DAIN is a video frame synthesis engine and AI video upsampling tool designed to increase video playback smoothness. It functions as a computer vision model that synthesizes intermediate frames between existing images to transform low frame rate video into high frame rate content. The system utilizes depth-aware video frame interpolation to predict the motion of pixels between consecutive images. By analyzing spatial depth via depth maps, the tool generates new frames that account for occlusions and overlapping objects to create slow motion effects. The framework incorporates optical flow int

Infinigen is a procedural 3D scene generation framework that creates photorealistic indoor and outdoor environments for computer vision training data. It combines constraint-based object placement, GPU geometry shaders, and ground-truth rendering passes to produce scenes with depth, normals, and segmentation masks alongside final images. The framework distinguishes itself through modular asset composition, a node-graph material system, and physics simulation integration that embeds rigid-body and fluid dynamics directly into the generation pipeline. Procedural rule-based scene composition and

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

EasyPR is an automatic license plate recognition system designed to detect vehicle license plates and extract alphanumeric characters from images of Chinese vehicles. It functions as a deep learning OCR tool that converts image regions of license plates into machine-readable text strings. The system includes a specialized detector for identifying vehicle plates within unconstrained environments and complex visual backgrounds. It also provides a synthetic data generator to create artificial image datasets used to train and improve the accuracy of the recognition models. The project covers a m

This project is a collection of TensorFlow 2.x machine learning tutorials and practical code examples. It serves as a deep learning implementation guide for constructing diverse neural network architectures, including convolutional, recurrent, and generative networks. The repository provides templates and examples for several specialized domains, including computer vision for image classification and object detection, natural language processing for text generation and language understanding, and generative AI for synthesizing data using adversarial networks and autoencoders. It also includes

Este proyecto es un framework de procesamiento de lenguaje natural centrado en un preentrenador autorregresivo generalizado diseñado para la representación de lenguaje no supervisado. Implementa un modelo de lenguaje que combina el entrenamiento basado en permutaciones con un backbone Transformer-XL para funcionar como un procesador de texto de contexto largo. El sistema destaca por su capacidad para manejar secuencias de texto que exceden los límites de longitud estándar mediante el uso de recurrencia a nivel de segmento y codificación posicional relativa. Escala el preentrenamiento de alto rendimiento a través de múltiples GPUs y clusters de TPU utilizando implementaciones de entrenamiento distribuido. El código base cubre el flujo de trabajo completo de machine learning, incluyendo limpieza de texto y tokenización de subpalabras para el preprocesamiento de datos, así como ajuste fino (fine-tuning) específico para tareas de respuesta a preguntas, comprensión lectora y clasificación de texto. Incluye utilidades para optimización de parámetros, programación de tasas de aprendizaje y evaluación de probabilidades de respuesta mediante métricas de precisión-recall. El proyecto proporciona configuraciones para gestionar hiperparámetros del modelo y entrenamiento acelerado por hardware en múltiples hosts.

Este proyecto es una colección de Jupyter Notebooks educativos que ofrecen tutoriales sobre la construcción de redes neuronales y operaciones con tensores utilizando el framework TensorFlow. Sirve como repositorio educativo de machine learning y guía de implementación para estudiantes de deep learning. La suite se centra en arquitecturas avanzadas específicas, incluyendo redes convolucionales para clasificación de imágenes, redes residuales con conexiones de salto (skip connections) para la estabilidad del entrenamiento y autoencoders variacionales para modelado generativo y síntesis de datos. También incluye guías para construir autoencoders de eliminación de ruido (denoising) y profundos para realizar extracción de características y reducción de dimensionalidad. El repositorio cubre un espectro más amplio de modelado predictivo, con implementaciones de regresión lineal, polinómica y logística para predecir valores continuos y resultados binarios. El contenido está organizado en notebooks interactivos que permiten a los usuarios ejecutar operaciones matemáticas y modificar experimentos de machine learning.

Neuraltalk2 es un sistema de visión de aprendizaje profundo diseñado para el subtitulado automático de imágenes. Construido con PyTorch, utiliza una arquitectura híbrida que combina un codificador de red neuronal convolucional con un decodificador de red neuronal recurrente para generar descripciones textuales a partir de entradas visuales. El proyecto cuenta con una tubería de entrenamiento acelerada por GPU capaz de distribuir cargas de trabajo a través de múltiples unidades de procesamiento gráfico mediante distribución multiproceso. Admite la generación de descripciones tanto para archivos de imagen estáticos como para flujos de video en tiempo real. El framework incluye capacidades para el ajuste fino del codificador, muestreo de texto mediante búsqueda de haz (beam search) con control de temperatura y el uso de métricas de lenguaje estándar de la industria para evaluar la precisión y fluidez de los subtítulos. También proporciona utilidades para el preprocesamiento de conjuntos de datos, persistencia de puntos de control del modelo y exportación de predicciones a archivos JSON estructurados. La implementación se proporciona como un Jupyter Notebook.

Super-Gradients es un framework de visión artificial de PyTorch y biblioteca de entrenamiento diseñada para el ciclo de vida completo de los modelos de visión. Funciona como un optimizador de modelos de deep learning y un kit de herramientas de despliegue para entrenar y ajustar modelos en tareas de clasificación de imágenes, detección de objetos, segmentación semántica y estimación de pose. El proyecto proporciona herramientas específicas para la optimización de modelos, incluyendo destilación de conocimiento profesor-estudiante y compresión de precisión numérica para reducir los requisitos de memoria y computación. También incluye la implementación de la arquitectura Yolo-NAS para detección de objetos de alto rendimiento. El framework cubre una amplia superficie de capacidades, incluyendo entrenamiento distribuido en GPU, pipelines de visión modulares y la automatización de ejecuciones de entrenamiento mediante configuraciones de recetas estructuradas. Además, gestiona la carga de datos, la aumentación de imágenes y la exportación de pesos entrenados a formatos universales para aceleradores de hardware de producción.

Co-tracker is a PyTorch point tracking framework and dense point tracking model designed to map the motion of individual pixels throughout a video. It functions as a video pixel tracker that predicts point trajectories and visibility masks across sequences of video frames. The project includes a computer vision training pipeline that utilizes teacher-student knowledge distillation. This allows for the generation of pseudo-labels from unannotated real video data to fine-tune pre-trained models and reduce the gap between synthetic and real data environments. The framework provides capabilities

Neuralangelo es un framework de reconstrucción de superficies neuronales que transforma secuencias de imágenes bidimensionales y fotografía multivista en mallas 3D de alta fidelidad. Implementa un pipeline para entrenar campos de radiancia neuronales (NeRF) para representar escenas complejas como geometría digital. El proyecto utiliza una función de distancia con signo (SDF) para la representación de superficies y codificación hash multiresolución para capturar detalles geométricos tanto gruesos como finos. Emplea renderizado de volumen diferenciable y regularización eikonal basada en gradientes para garantizar que las funciones de distancia aprendidas sigan siendo físicamente plausibles. El sistema incluye un pipeline completo de entrenamiento de visión por computadora con entrenamiento distribuido en múltiples GPUs y seguimiento del rendimiento del entrenamiento. Proporciona utilidades para la preparación de datos de fotogrametría, incluyendo preprocesamiento de video, estimación de pose de cámara y conversión de formato de dataset. Una herramienta de extracción dedicada convierte las representaciones neuronales entrenadas en mallas 3D texturizadas utilizando marching cubes y eliminación de ruido.