Awesome GitHub RepositoriesModel Finetuning

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

Gluon-CV est une bibliothèque de vision par ordinateur MXNet qui fournit une collection complète d'architectures de vision pré-implémentées et de pipelines d'entraînement. Elle sert de toolkit de recherche en deep learning et de zoo de modèles contenant des poids pré-entraînés à l'état de l'art pour l'analyse d'images et de vidéos. Le projet inclut une bibliothèque spécialisée d'estimation de pose humaine et un toolkit de compression de modèles. Ces outils permettent l'élagage et la quantification de modèles de deep learning pour augmenter la vitesse d'inférence et faciliter le déploiement sur du matériel edge contraint. La bibliothèque couvre un large éventail de capacités de vision, incluant la classification d'images, la détection d'objets, ainsi que la segmentation sémantique et d'instance. Elle fournit également des outils pour l'analyse vidéo, tels que la reconnaissance d'action, le suivi d'objets et l'estimation de profondeur monoculaire. L'entraînement est pris en charge via des pipelines automatisés et des charges de travail multi-GPU distribuées pour accélérer la convergence des modèles.

ZenML is an extensible machine learning orchestration framework designed to manage the end-to-end lifecycle of data pipelines and AI agent workflows. It functions as a durable orchestrator that executes machine learning tasks as directed acyclic graphs, ensuring that every step is containerized for consistent performance across local, cloud, and hybrid infrastructure. By decoupling pipeline code from underlying compute and storage backends, the platform allows developers to define infrastructure-agnostic stacks that remain portable across diverse environments. The project distinguishes itself

Marqo est une plateforme de découverte de produits e-commerce, une base de données vectorielle multimodale et un outil de merchandising de recherche IA. Elle fournit l'infrastructure pour implémenter la recherche sémantique et les recommandations, permettant aux acheteurs de trouver des produits en utilisant le langage naturel et des images. La plateforme se distingue par un pipeline de classement hybride qui combine des scores sémantiques neuronaux avec des règles de boosting et de pinning définies par l'entreprise. Elle dispose d'un moteur de commerce conversationnel qui utilise de grands modèles de langage pour traiter l'intention de l'utilisateur et fournit une suite d'analyse de performance de recherche pour mesurer l'augmentation de la conversion et les revenus via des tests A/B. Ses capacités plus larges incluent l'indexation multimodale pour la récupération unifiée de texte et d'image, l'apprentissage comportemental automatisé pour optimiser les classements basés sur les données de clickstream, et des moteurs de recommandation personnalisés. Le système couvre également la synchronisation de catalogue, l'agrégation de facettes basée sur les attributs et la génération de résumés d'achat conversationnels.

This is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi

Ce projet est un modèle de base de synthèse vocale expressif et un système de clonage de voix conçu pour synthétiser une parole humaine avec une nuance émotionnelle et une haute fidélité. Il fonctionne comme un modèle de parole affinable qui peut générer de l'audio imitant une personne spécifique en utilisant un échantillon de voix de référence. Le système se distingue par un moteur d'inférence haute performance qui utilise la mise en cache mémoire et la compilation matérielle pour réduire la latence pendant le processus de génération audio. Il permet en outre des améliorations de la qualité de synthèse en entraînant le modèle de langage sur des jeux de données personnalisés composés de fichiers audio et de légendes correspondantes. Le framework couvre les domaines plus larges du clonage de voix personnalisé, de la synthèse vocale expressive et de l'affinage de modèles de parole.

Ce projet est une boîte à outils de deep learning conçue pour la séparation de sources audio et la recherche d'informations musicales. Elle fournit un framework pour décomposer les signaux audio polyphoniques en composants distincts, tels que les voix, la batterie et la basse, en traitant les formes d'onde brutes via des architectures de réseaux de neurones. La bibliothèque permet aux utilisateurs d'entraîner des modèles de séparation personnalisés ou d'affiner ceux existants pour améliorer la précision sur des jeux de données audio spécifiques. Elle prend en charge l'intégralité du cycle de vie du modèle, incluant la conversion de l'audio brut en formats structurés et indexés pour optimiser le chargement des données et l'efficacité de l'entraînement. Le système inclut des capacités pour l'extraction de caractéristiques dans le domaine fréquentiel et des pipelines de données basés sur des tenseurs pour faciliter les tâches complexes de traitement du signal. Il est structuré pour soutenir les flux de travail orientés recherche, permettant le raffinement itératif des modèles via la persistance basée sur des points de contrôle et l'orchestration automatisée de l'entraînement.