Awesome GitHub RepositoriesCross-Framework Model Conversion

yolotf es un framework de detección de objetos que proporciona herramientas para convertir configuraciones y pesos de modelos de Darknet a grafos de TensorFlow. Incluye un entrenador de modelos de TensorFlow para entrenar nuevos modelos de detección o ajustar pesos existentes utilizando datasets personalizados. El proyecto cuenta con un exportador de modelos móviles que serializa definiciones de grafos y metadatos en archivos protobuf para su despliegue en dispositivos móviles. El framework soporta inferencia de detección de objetos en imágenes y video para identificar objetos y exportar coordenadas de cajas delimitadoras. Gestiona el estado del modelo mediante la traducción de mapeo de pesos y entrenamiento basado en puntos de control para permitir la restauración de pesos y estados del optimizador.

MMdnn es un conversor y migrador de modelos de deep learning diseñado para traducir arquitecturas y pesos de redes neuronales entre diferentes frameworks como TensorFlow, PyTorch y Keras. Utiliza una representación intermedia estandarizada para desacoplar las estructuras de red y los pesos de las implementaciones específicas de cada framework, permitiendo la transformación de modelos preentrenados entre distintos entornos. El proyecto destaca por generar código de reconstrucción nativo en Python a partir de sus representaciones intermedias, lo que permite reconstruir y ajustar modelos en los entornos de destino. También incluye herramientas especializadas para el despliegue de modelos en dispositivos móviles, transformando modelos de deep learning a formatos compatibles como CoreML y TensorFlow Lite. El sistema ofrece un conjunto más amplio de capacidades, incluyendo la visualización de arquitecturas de redes neuronales para inspeccionar estructuras de grafos y metadatos, así como la ejecución de inferencia para validar que los modelos convertidos mantengan su comportamiento y precisión originales. Otras utilidades gestionan la recuperación de pesos preentrenados desde repositorios remotos y el ensamblaje de checkpoints de modelos desplegables.

Este proyecto es un recurso educativo integral y un curso para construir redes neuronales usando PyTorch. Cubre los bloques de construcción fundamentales del deep learning, incluyendo la manipulación de tensores, la diferenciación automática y la construcción de componentes modulares de redes neuronales. El repositorio sirve como guía técnica para varios dominios especializados. Proporciona detalles de implementación para tareas de visión artificial como clasificación de imágenes, detección de objetos y segmentación semántica, así como flujos de trabajo de procesamiento de lenguaje natural que involucran transformers, redes recurrentes y modelos generativos. Además, incluye una referencia para IA generativa, centrándose específicamente en la síntesis de imágenes mediante modelos de difusión y redes adversarias. El material se extiende a pipelines de optimización y despliegue de modelos. Cubre técnicas para reducir el tamaño del modelo y aumentar la velocidad de inferencia mediante cuantización y la exportación de modelos a formatos como ONNX y TensorRT. Otras áreas de capacidad incluyen ingeniería de datos para carga paralela, evaluación de modelos mediante métricas personalizadas y el despliegue de modelos de lenguaje grandes (LLM) de código abierto. El proyecto se entrega principalmente como una serie de Jupyter Notebooks.

Este proyecto es un framework de aprendizaje contrastivo auto-supervisado diseñado para entrenar modelos de aprendizaje profundo para aprender representaciones visuales a partir de imágenes sin utilizar etiquetas proporcionadas por humanos. Proporciona un sistema para desarrollar modelos de representación visual preentrenados que pueden adaptarse para tareas de visión artificial posteriores. El framework incluye herramientas para la clasificación de imágenes semi-supervisada, que combina grandes conjuntos de datos sin etiquetar con pequeños conjuntos etiquetados para mejorar la precisión. También cuenta con una herramienta de evaluación de sonda lineal (linear probe) para evaluar la calidad de las características de imagen aprendidas entrenando un clasificador lineal simple sobre representaciones congeladas. El código base cubre el entrenamiento de aprendizaje profundo distribuido y la aceleración por hardware para manejar grandes tamaños de lote, junto con primitivas de optimización como la programación de tasa de aprendizaje de decaimiento de coseno y regularización de decaimiento de peso. También proporciona utilidades para la gestión de modelos, incluyendo la conversión de checkpoints preentrenados entre diferentes formatos de frameworks de aprendizaje profundo y herramientas para el despliegue de modelos. La implementación se proporciona como una colección de Jupyter Notebooks.