awesome-repositories.com
Blog
awesome-repositories.com

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetÀ proposNotre méthodologiePresseServeur MCP
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

1 dépôt

Awesome GitHub RepositoriesNumpy Bitmap Access

Retrieving rasterized drawing data formatted as NumPy arrays for ML models.

Distinct from Bitmap Rendering: Focuses on the numpy data structure for ML access rather than general rendering or file serialization.

Explore 1 awesome GitHub repository matching graphics & multimedia · Numpy Bitmap Access. Refine with filters or upvote what's useful.

Awesome Numpy Bitmap Access GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • googlecreativelab/quickdraw-datasetAvatar de googlecreativelab

    googlecreativelab/quickdraw-dataset

    6,777Voir sur GitHub↗

    Ce projet est un dataset à grande échelle de croquis dessinés à la main, fournissant des millions de dessins vectoriels et bitmaps horodatés pour entraîner des modèles de machine learning. Il sert de corpus d'entraînement pour la vision par ordinateur et de dataset pour réseaux de neurones, composé de croquis humains catégorisés utilisés pour développer des algorithmes de classification et de reconnaissance d'images. Le dataset est disponible sous forme de corpus de dessins vectoriels présentant des séquences trait par trait et des métadonnées, ainsi que des tableaux numpy traités. Ces ressources soutiennent le développement de classifieurs de dessins et l'étude des modèles de dessin humain. Les données sont fournies dans plusieurs formats, incluant des données vectorielles brutes en JSON délimité par des retours à la ligne, des séquences vectorielles normalisées et des bitmaps en niveaux de gris. Il inclut des capacités de partitionnement par catégorie et de mise à l'échelle des coordonnées pour assurer la cohérence entre les différents échantillons.

    Retrieves drawings rendered as grayscale bitmaps in a numpy format for use with image-based neural networks.

    Voir sur GitHub↗6,777
  1. Home
  2. Graphics & Multimedia
  3. Bitmap Rendering
  4. Numpy Bitmap Access