Awesome GitHub RepositoriesDataset Annotations

Hub is a multimodal AI data lake and vector database designed for storing and querying embeddings, text, audio, and images. It functions as a dataset version control system and a machine learning data streaming engine to support large-scale model training. The system utilizes a serverless PostgreSQL vector store to index high-dimensional embeddings for semantic search. It provides a visual interface for inspecting multimodal datasets and viewing annotations such as bounding boxes and masks. The platform handles cloud-agnostic storage synchronization and implements lazy, compressed data strea

MMPose is a PyTorch-based pose estimation toolbox and deep learning training pipeline designed for detecting 2D and 3D keypoints on humans, animals, and faces. It serves as a computer vision model zoo and a framework for both 2D pose estimation and 3D pose lifting. The project is distinguished by its modular architecture and extensibility, employing a registry-based system and hierarchical configurations to allow for custom algorithm integration and model pipeline customization. It supports diverse estimation paradigms, including top-down, bottom-up, and two-stage pose lifting workflows. The

ClearML is a comprehensive MLOps platform designed to manage the end-to-end machine learning lifecycle, from initial experimentation to production deployment. It provides a suite of integrated tools including a pipeline orchestrator for automating workflows, an experiment tracking tool for logging hyperparameters and metrics, and a metadata-driven data versioning system for managing large-scale datasets and model artifacts. The platform is distinguished by its advanced compute management and serving capabilities. It features a GPU compute manager that supports fractional resource slicing and

ClearML is a comprehensive MLOps platform designed to manage the entire machine learning lifecycle. It functions as an experiment tracking tool, a data versioning system, and a pipeline orchestrator, while providing infrastructure for GPU cluster management and model serving. The platform is distinguished by its ability to handle hybrid-cloud compute scheduling and fractional GPU allocation, allowing multiple workloads to share a single hardware accelerator. It employs a metadata-based approach to data versioning, using virtual views to track large datasets and artifacts without duplicating r

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

Giskard es un framework de evaluación, librería de pruebas y sistema de monitoreo de calidad para modelos de lenguaje grandes (LLM) y agentes de IA. Sirve como un kit de herramientas para cuantificar el rendimiento y la fiabilidad del modelo, proporcionando capacidades especializadas para validar pipelines de generación aumentada por recuperación (RAG). El proyecto se distingue por una herramienta de red teaming automatizada y un escáner de seguridad diseñado para identificar vulnerabilidades, inyecciones de prompts y riesgos de seguridad. Utiliza sondeo adversarial y generación sintética de casos límite para cuantificar la robustez del modelo y detectar la divulgación de información. La plataforma cubre una amplia gama de capacidades, incluyendo la detección de precisión factual y alucinaciones, benchmarking de razonamiento y lógica, y detección de sesgos. Proporciona herramientas para pruebas de regresión, evaluación de componentes RAG y la generación automatizada de casos de prueba a partir de bases de conocimiento. El sistema incluye funciones de gestión para espacios de trabajo colaborativos, control de acceso basado en roles y pipelines de evaluación programados para monitorear la deriva del rendimiento a lo largo del tiempo.

Argilla es una herramienta de retroalimentación de IA colaborativa y sistema de gestión de curación de datos. Sirve como una plataforma de conjuntos de datos human-in-the-loop diseñada para coordinar anotadores de fuerza laboral y expertos en el dominio en el etiquetado, calificación y refinamiento de muestras de datos para proyectos de aprendizaje automático. La plataforma se centra en la curación de conjuntos de datos para modelos de lenguaje grandes y flujos de trabajo de aprendizaje por refuerzo a partir de retroalimentación humana (RLHF). Proporciona un espacio de trabajo compartido para integrar la experiencia humana en el desarrollo de IA para validar las salidas del modelo y corregir errores de datos. El sistema gestiona el pipeline de datos de aprendizaje automático end-to-end, incluyendo la importación de conjuntos de datos desde hubs externos, la definición de esquemas de retroalimentación personalizados para etiquetas y clasificaciones, y la exportación de datos anotados. Admite la gestión programática de datos y la creación de flujos de trabajo automatizados para mejorar iterativamente el rendimiento del modelo.

Este proyecto es una implementación de deep learning de la arquitectura RetinaNet para detectar y clasificar objetos dentro de imágenes. Construido como un framework de detección de objetos Keras y una herramienta de visión por computadora TensorFlow, proporciona una implementación completa de red neuronal basada en el paper de RetinaNet. El framework incluye componentes especializados como una red de pirámide de características (Feature Pyramid Network) y una función de pérdida focal para manejar la detección de objetos. Cuenta con una arquitectura de backbone configurable y cajas delimitadoras basadas en anclas para predecir ubicaciones de objetos a través de escalas y relaciones de aspecto variables. El conjunto de herramientas cubre el flujo de trabajo de extremo a extremo para visión por computadora, incluyendo rutinas de entrenamiento, evaluación de rendimiento y despliegue de inferencia de modelos. Proporciona utilidades de gestión de datos para importar y depurar anotaciones de imágenes desde formatos CSV y Pascal VOC, así como herramientas para convertir modelos entrenados en diferentes formatos para su despliegue.