Awesome GitHub RepositoriesDeep Learning Training Orchestration

Este es un framework de deep learning para predecir valores futuros en datos secuenciales utilizando arquitecturas de PyTorch. Proporciona un kit de herramientas para la predicción de series temporales probabilísticas y de largo horizonte, incorporando un pipeline de datos para convertir dataframes tabulares en secuencias para el entrenamiento de deep learning supervisado. La librería utiliza un wrapper de entrenamiento para escalar la ejecución del modelo a través de CPUs y GPUs. Admite la generación de distribuciones de probabilidad para resultados futuros en lugar de estimaciones de punto único para cuantificar la incertidumbre de la predicción. El framework incluye capacidades para implementar modelos de pronóstico, optimizar hiperparámetros y evaluar la precisión a través de métricas de múltiples horizontes. También proporciona métodos para comparar arquitecturas complejas contra modelos base simples.

Este proyecto es una implementación en PyTorch de la arquitectura Faster R-CNN para la detección de objetos. Proporciona un framework para identificar múltiples clases de objetos y sus cajas delimitadoras (bounding boxes) correspondientes dentro de imágenes utilizando un sistema de aprendizaje profundo. La implementación incluye un pipeline de entrenamiento para optimizar modelos en datasets personalizados y una utilidad para convertir pesos preentrenados de formatos externos a una estructura compatible para la inicialización del modelo. El sistema cubre un pipeline de detección de dos etapas que comprende una red de propuesta de regiones y una capa de pooling ROI. Incorpora funciones de pérdida multitarea y regresión de cajas delimitadoras basada en anclas para refinar las ubicaciones de los objetos. El proyecto incluye herramientas para la visualización en tiempo real de la pérdida de entrenamiento y la precisión de predicción para monitorear el rendimiento del modelo.

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

face.evoLVe is a deep learning library designed for the training and deployment of facial recognition models. It provides a comprehensive framework for converting facial images into numerical feature vectors, enabling identity verification and similarity analysis across large-scale datasets. The project facilitates the entire lifecycle of facial analysis, from dataset preparation and image standardization to distributed model training. It includes utilities for detecting facial landmarks and applying geometric transformations to ensure consistent input orientation, as well as data augmentatio