Awesome GitHub RepositoriesPyTorch-Based Frameworks

This library provides a comprehensive collection of modular building blocks and research-backed architectures for implementing vision transformers within the PyTorch framework. It serves as a centralized repository for constructing, training, and analyzing attention-based models, offering a wide array of specialized variants designed for image classification and visual representation learning. The project distinguishes itself through a focus on architectural efficiency and flexibility, supporting diverse input formats including non-square images and volumetric data like video. It incorporates

This project is a deep learning curriculum and a collection of PyTorch tutorials designed for deep learning education. It provides a structured set of technical documents and runnable notebooks that translate theoretical machine learning concepts into executable code. The repository includes implementation guides for various neural network architectures, specifically covering convolutional, recurrent, and transformer-based models. It provides practical examples for building computer vision pipelines for object detection and semantic segmentation, as well as natural language processing tools f

This PyTorch-based deep learning library provides a framework for analyzing and forecasting temporal data. It implements specialized architectures for time series forecasting, anomaly detection, data imputation, and classification. The project distinguishes itself through the inclusion of zero-shot inference capabilities, allowing large-scale temporal models to be evaluated on unseen datasets without requiring task-specific fine-tuning. The framework covers a broad range of analytical capabilities, including the recovery of missing values in incomplete datasets, the identification of irregul

AllenNLP is a PyTorch-based research library and deep learning language toolkit designed for developing and training neural network architectures for linguistic tasks. It provides a distributed training system that coordinates data and gradients across multiple GPUs and a framework for integrating pretrained transformer architectures. The system distinguishes itself with a dedicated algorithmic bias mitigation tool used to identify and reduce bias in linguistic model predictions. It also includes model influence analysis to interpret predictions by calculating the influence of specific traini

BigDL एक PyTorch एक्सेलेरेशन फ्रेमवर्क और डिस्ट्रीब्यूटेड इन्फरेंस इंजन है जिसे लार्ज लैंग्वेज मॉडल्स के लिए डिज़ाइन किया गया है। यह Intel हार्डवेयर पर मॉडल्स चलाने के लिए एक टूलकिट प्रदान करता है, जिसमें क्वांटाइज़ेशन टूल्स और पैरामीटर-कुशल फाइन-ट्यूनिंग के लिए लाइब्रेरीज़ शामिल हैं। यह प्रोजेक्ट कई हार्डवेयर एक्सेलेरेटर्स में मॉडल वर्कलोड को वितरित करने के लिए पाइपलाइन पैरेललिज़्म के उपयोग के माध्यम से खुद को अलग बनाता है। यह मेमोरी फुटप्रिंट को कम करने और टेक्स्ट जनरेशन लेटेंसी को घटाने के लिए लो-बिट इंटीजर क्वांटाइज़ेशन और सट्टा डिकोडिंग (speculative decoding) का उपयोग करता है। यह सिस्टम मॉडल ऑप्टिमाइज़ेशन में व्यापक क्षमताओं को कवर करता है, जिसमें वेट कम्प्रेशन और क्वांटाइज़्ड मॉडल लोडिंग शामिल है। यह प्री-ट्रेंड मॉडल्स को विशिष्ट कार्यों के अनुकूल बनाने के लिए हार्डवेयर-एक्सेलेरेटेड ट्रेनिंग रूटीन को भी सपोर्ट करता है।

DocTR is a deep learning OCR library built on PyTorch that detects and transcribes text in document images using a two-stage detection-recognition pipeline. It provides a complete framework for building and deploying OCR pipelines with pretrained models available through the Hugging Face Hub, and supports exporting trained models to ONNX format for cross-runtime deployment. The library offers end-to-end OCR pipelines that combine text detection and recognition to extract all text from document images or PDFs, with support for rotated page handling and varied text orientations. It includes cap

This project is a PyTorch implementation of the EfficientDet architecture designed for real-time object detection. It provides a neural network and inference engine capable of identifying and locating multiple objects within images or video streams. The implementation includes pretrained computer vision models with optimized weights, enabling immediate inference and fine-tuning without the need for training from scratch. The project covers the full pipeline for computer vision model optimization, including custom object detection training and model weight optimization. It incorporates struct

SimSwap is a deep learning face swapping framework and computer vision media processor built with PyTorch. It functions as an image synthesis tool designed to replace a person's identity in images and videos with a target face using a single trained model. The system operates as a video identity replacement tool that swaps identities across frames while preserving the original expressions and lighting of the source media. It enables digital identity manipulation and the production of synthetic media through automated facial feature mapping. The framework supports both the application of trai

moco, सेल्फ-सुपरवाइज्ड विज़ुअल रिप्रेजेंटेशन लर्निंग के लिए डिज़ाइन किए गए मोमेंटम कंट्रास्ट का एक PyTorch कार्यान्वयन है। यह एक ही इमेज के विभिन्न दृश्यों के बीच समानता को अधिकतम करके अनलेबल डेटासेट से उच्च-स्तरीय इमेज फीचर्स निकालने के लिए एक शोध-आधारित फ्रेमवर्क के रूप में कार्य करता है। यह सिस्टम ट्रेनिंग को स्थिर करने के लिए एक तेज़-सीखने वाले ऑनलाइन एनकोडर और धीरे-धीरे विकसित होने वाले मोमेंटम एनकोडर से युक्त एक असममित एनकोडर आर्किटेक्चर का उपयोग करता है। यह एक डिक्शनरी-आधारित दृष्टिकोण का उपयोग करता है जो मैन्युअल मानव लेबलिंग के बिना विशिष्ट विज़ुअल फीचर्स सीखने के लिए नकारात्मक नमूनों की एक डायनामिक कतार के खिलाफ क्वेरी इमेज की तुलना करता है। यह फ्रेमवर्क एंड-टू-एंड कंट्रास्टिव लर्निंग वर्कफ़्लो को कवर करता है, जिसमें अनसुपरवाइज्ड विज़ुअल रिप्रेजेंटेशन लर्निंग और अनलेबल इमेज विश्लेषण शामिल है। यह उच्च-आयामी वेक्टर समानता गणना और मॉडल ट्रेनिंग के लिए GPU-त्वरित टेंसर ऑपरेशन्स का लाभ उठाता है।

Kaolin एक PyTorch 3D डीप लर्निंग लाइब्रेरी है जो 3D ज्यामिति प्रसंस्करण, भौतिकी सिमुलेशन, डेटा विज़ुअलाइज़ेशन, और कंप्यूटर विज़न के लिए ग्रेडिएंट-आधारित रेंडरिंग के लिए टूल का एक व्यापक सूट प्रदान करती है। इस लाइब्रेरी में एक डिफरेंशिएबल 3D रेंडरर और मेश और पॉइंट क्लाउड जैसे 3D अभ्यावेदन को बदलने और बदलने के लिए एक ज्यामिति प्रसंस्करण टूलकिट शामिल है। इसमें त्रि-आयामी वस्तुओं और दृश्यों के बीच भौतिक इंटरैक्शन और टकराव की गणना करने के लिए एक 3D भौतिकी सिमुलेशन इंजन भी है। यह टूलकिट 3D डेटा विज़ुअलाइज़ेशन के लिए यूटिलिटीज प्रदान करती है, जिसमें इंटरैक्टिव दृश्य और टर्नटेबल एनिमेशन का निर्माण शामिल है। अतिरिक्त क्षमताएं 3D डेटासेट प्रबंधन, डेटा प्रीप्रोसेसिंग, और 3D अभ्यावेदन रेंडरिंग को कवर करती हैं।

यह प्रोजेक्ट एक PyTorch पर्सन री-आइडेंटिफिकेशन फ्रेमवर्क है जिसे विभिन्न कैमरा व्यूज में व्यक्तियों की पहचान करने वाले मॉडल्स को प्रशिक्षित और मूल्यांकन करने के लिए डिज़ाइन किया गया है। यह एक पूर्ण मॉडल ट्रेनिंग पाइपलाइन, छवियों को संख्यात्मक वैक्टर में बदलने के लिए एक डीप लर्निंग फीचर एक्सट्रैक्टर और पहचान पुनर्प्राप्ति सटीकता को मापने के लिए कंप्यूटर विज़न बेंचमार्किंग टूल्स का एक सुइट प्रदान करता है। फ्रेमवर्क में एक विशेष ट्रांसफर लर्निंग टूलकिट शामिल है जो प्रीट्रेन्ड मॉडल्स को फाइन-ट्यून करने के लिए लेयर फ्रीज़िंग, स्टेज्ड लर्निंग रेट ऑप्टिमाइज़ेशन और डिफरेंशियल लर्निंग रेट्स का समर्थन करता है। यह एक एक्स्टेंसिबल इंजन के माध्यम से खुद को अलग करता है जो कस्टम ट्रेनिंग लॉजिक के विकास और हार्ड-सैंपल ट्रिपलेट लॉस माइनिंग और लेबल स्मूथिंग जैसे विशिष्ट ऑप्टिमाइज़ेशन उद्देश्यों के इम्प्लीमेंटेशन की अनुमति देता है। सिस्टम व्यापक डेटासेट प्रबंधन को कवर करता है, जिसमें स्टैंडर्ड बेंचमार्क, बैलेंस्ड बैच सैंपलिंग और इमेज ऑगमेंटेशन के लिए समर्थन शामिल है। यह पुनर्प्राप्ति रैंक और फीचर दूरियों की गणना के लिए मूल्यांकन उपयोगिताएं, साथ ही एक्टिवेशन हीटमैप और रैंक की गई पुनर्प्राप्ति गैलरी उत्पन्न करने के लिए विज़ुअलाइज़ेशन टूल्स प्रदान करता है। यह प्रोजेक्ट Python में इम्प्लीमेंट किया गया है और अपने डीप लर्निंग ऑपरेशंस के लिए PyTorch का लाभ उठाता है।

mmocr एक PyTorch-आधारित ऑप्टिकल कैरेक्टर रिकग्निशन फ्रेमवर्क है जिसे टेक्स्ट डिटेक्शन, रिकग्निशन और की-इन्फॉर्मेशन एक्सट्रैक्शन मॉडल्स को ट्रेन और डिप्लॉय करने के लिए डिज़ाइन किया गया है। यह सीन टेक्स्ट डिटेक्शन और रिकग्निशन के लिए एक व्यापक टूलबॉक्स के रूप में कार्य करता है, जो टेक्स्ट क्षेत्रों का पता लगाने और विज़ुअल टेक्स्ट को मशीन-एन्कोडेड स्ट्रिंग्स में बदलने के लिए विशेष लाइब्रेरीज़ प्रदान करता है। यह प्रोजेक्ट की-इन्फॉर्मेशन एक्सट्रैक्शन और उन्नत टेक्स्ट स्पॉटिंग क्षमताओं के लिए एक रिसर्च फ्रेमवर्क के माध्यम से अलग है। इनमें ट्रांसफॉर्मर्स का उपयोग करके पॉइंट-आधारित स्पॉटिंग और मनमाने ढंग से आकार के टेक्स्ट की पहचान और ट्रांसक्रिप्शन के लिए पैरामीटराइज़्ड बेज़ियर कर्व्स का उपयोग शामिल है। यह फ्रेमवर्क कंप्यूटर विज़न क्षमताओं की एक विस्तृत सतह को कवर करता है, जिसमें विविध OCR डेटासेट्स को बढ़ाने और मानकीकृत करने के लिए डेटा पाइपलाइन मैनेजमेंट, डिस्ट्रीब्यूटेड स्केलिंग के साथ मॉडल ट्रेनिंग, और स्टैंडर्ड OCR मेट्रिक्स का उपयोग करके परफॉरमेंस मूल्यांकन शामिल है। यह ग्राउंड ट्रुथ एनोटेशन के खिलाफ भविष्यवाणियों का ऑडिट करने के लिए ज्यामितीय बहुभुज हेरफेर और परिणाम विज़ुअलाइज़ेशन के लिए यूटिलिटीज भी प्रदान करता है। यह सिस्टम Python में लागू किया गया है और Docker वातावरण पैकेजिंग के माध्यम से इंस्टॉलेशन का समर्थन करता है।

यह प्रोजेक्ट एक स्व-पर्यवेक्षित कंट्रास्टिव लर्निंग फ्रेमवर्क है जिसे मानव-प्रदत्त लेबल का उपयोग किए बिना छवियों से विज़ुअल प्रतिनिधित्व सीखने के लिए डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए डिज़ाइन किया गया है। यह प्रीट्रेन्ड विज़ुअल प्रतिनिधित्व मॉडल विकसित करने के लिए एक प्रणाली प्रदान करता है जिसे डाउनस्ट्रीम कंप्यूटर विज़न कार्यों के लिए अनुकूलित किया जा सकता है। इस फ्रेमवर्क में अर्ध-पर्यवेक्षित छवि वर्गीकरण के लिए टूल शामिल हैं, जो सटीकता में सुधार के लिए बड़े लेबल रहित डेटासेट को छोटे लेबल वाले सेट के साथ जोड़ते हैं। इसमें फ्रोजन अभ्यावेदन के शीर्ष पर एक सरल रैखिक क्लासिफायर को प्रशिक्षित करके सीखे गए छवि सुविधाओं की गुणवत्ता का आकलन करने के लिए एक रैखिक जांच मूल्यांकन टूल भी शामिल है। कोडबेस बड़े बैच आकारों को संभालने के लिए वितरित डीप लर्निंग प्रशिक्षण और हार्डवेयर त्वरण को कवर करता है, साथ ही कोसाइन-डिके लर्निंग रेट शेड्यूलिंग और वेट-डिके रेगुलराइजेशन जैसे ऑप्टिमाइज़ेशन प्रिमिटिव्स को भी कवर करता है। यह मॉडल प्रबंधन के लिए उपयोगिताएं भी प्रदान करता है, जिसमें विभिन्न डीप लर्निंग फ्रेमवर्क प्रारूपों के बीच प्रीट्रेन्ड चेकपॉइंट्स का रूपांतरण और मॉडल तैनाती के लिए टूल शामिल हैं। कार्यान्वयन Jupyter Notebooks के संग्रह के रूप में प्रदान किया गया है।

CV-Backbones एक कंप्यूटर विज़न बैकबोन लाइब्रेरी और मॉडल ज़ू है, जो विज़ुअल फीचर्स निकालने और इमेज डेटा को प्रोसेस करने के लिए पूर्व-निर्धारित न्यूरल नेटवर्क आर्किटेक्चर का संग्रह प्रदान करता है। यह इमेज विश्लेषण और विज़ुअल रिप्रेजेंटेशन लर्निंग के लिए डिज़ाइन किए गए पुन: प्रयोज्य डीप लर्निंग घटकों का एक PyTorch विज़न फ्रेमवर्क है। यह लाइब्रेरी फीचर एक्सट्रैक्शन प्रदर्शन को बनाए रखते हुए कम्प्यूटेशनल ओवरहेड को कम करने के लिए कुशल न्यूरल नेटवर्क आर्किटेक्चर पर केंद्रित है। यह GhostNet और MLP जैसे हल्के मॉडल डिज़ाइनों के कार्यान्वयन के माध्यम से प्राप्त किया जाता है। यह प्रोजेक्ट कन्वेन्शनल न्यूरल नेटवर्क और ट्रांसफार्मर सहित मॉडल आर्किटेक्चर की एक विस्तृत श्रृंखला को कवर करता है। इसमें बैकबोन कार्यान्वयन को बदलने के लिए एक मॉड्यूलर सिस्टम और कन्वर्जेंस में तेज़ी लाने के लिए प्री-ट्रेंड वेट्स लोड करने का तंत्र शामिल है।

Tensor-Puzzles एक शैक्षिक अभ्यास सूट और संख्यात्मक कंप्यूटिंग ट्यूटोरियल है जिसे PyTorch के भीतर टेंसर ऑपरेशंस और ब्रॉडकास्टिंग नियमों में महारत हासिल करने के लिए डिज़ाइन किया गया है। यह एक कार्यान्वयन ट्रेनर के रूप में कार्य करता है जहां उपयोगकर्ता डीप लर्निंग गणितीय प्रिमिटिव्स को फिर से लागू करके गणितीय सूत्रों को कोड में बदलने का अभ्यास करते हैं। यह प्रोजेक्ट एक बाधा-आधारित अभ्यास सूट का उपयोग करता है जो विशिष्ट टेंसर प्रिमिटिव्स के उपयोग को मजबूर करने के लिए उपलब्ध लाइब्रेरी कॉल्स को प्रतिबंधित करता है। ये चुनौतियां अनुक्रमिक पहेलियों के रूप में संरचित हैं जिन्हें उपयोगकर्ताओं को एक मॉड्यूलर कार्यान्वयन पैटर्न का उपयोग करके कार्यों को हल करने की आवश्यकता होती है, जहां जटिल फंक्शन्स को सरल आश्रित ऑपरेशंस में तोड़ दिया जाता है। सटीकता एक PyTorch-एकीकृत निष्पादन वातावरण के माध्यम से सुनिश्चित की जाती है जो संदर्भ-कार्यान्वयन सत्यापन और संख्यात्मक-सहिष्णुता जांच का उपयोग करता है। सिस्टम सत्यापित करता है कि उपयोगकर्ता-परिभाषित आउटपुट संदर्भ परिणामों से मेल खाते हैं और मानक बहुआयामी सरणी ब्रॉडकास्टिंग नियमों का पालन करते हैं।

Imaginaire एक PyTorch इमेज सिंथेसिस लाइब्रेरी और न्यूरल इमेज ट्रांसलेशन फ्रेमवर्क है, जिसे हाई-रिज़ॉल्यूशन सिंथेटिक विजुअल कंटेंट जनरेट करने के लिए डिज़ाइन किया गया है। यह एक डीप लर्निंग विजुअल जनरेटर के रूप में कार्य करता है जो सुपरवाइज्ड और अनसुपरवाइज्ड दोनों तरीकों का उपयोग करके सिमेंटिक इमेजेस और वीडियो को फोटो-रियलिस्टिक वर्जन्स में मैप करता है। इस प्रोजेक्ट में 3D एनवायरनमेंट रेंडर करने के लिए एक विशेष टूल शामिल है, जो ब्लॉक-आधारित वर्ल्ड रिप्रेजेंटेशन को फोटो-रियलिस्टिक दृश्यों में बदलता है और साथ ही दीर्घकालिक विजुअल कंसिस्टेंसी बनाए रखता है। यह फोटो-रियलिस्टिक वीडियो ट्रांसलेशन का भी समर्थन करता है जो सीक्वेंस में टेम्पोरल स्टेबिलिटी सुनिश्चित करने के लिए रेफरेंस इमेजेस का उपयोग करता है। यह फ्रेमवर्क विजुअल सिंथेसिस क्षमताओं की एक विस्तृत श्रृंखला को कवर करता है, जिसमें मल्टी-डोमेन स्टाइल ट्रांसफर, इमेज-टू-इमेज मैपिंग, और डीप लर्निंग रिसर्च पर आधारित सिंथेटिक इमेजेस और वीडियो का जनरेशन शामिल है।

This project is a PyTorch implementation of 3D residual networks designed for video action recognition. It provides a spatiotemporal architecture that analyzes both spatial frames and temporal motion to classify human activities within video clips. The system includes a distributed model training framework to accelerate learning across multiple compute nodes. It supports the deployment and fine-tuning of pre-trained model weights, allowing the adaptation of existing networks to specific new datasets. The codebase covers the full pipeline for spatiotemporal learning, including video dataset p

यह प्रोजेक्ट सीन टेक्स्ट रिकग्निशन के लिए PyTorch-आधारित फ्रेमवर्क और टूलकिट है। यह प्राकृतिक वातावरण की छवियों से कैरेक्टर्स और शब्दों को निकालने के लिए एक डीप लर्निंग पाइपलाइन प्रदान करता है, जिसमें ट्रेनिंग डेटा की तैयारी से लेकर मॉडल वैलिडेशन तक की पूरी प्रक्रिया शामिल है। यह फ्रेमवर्क टेक्स्ट रिकग्निशन मॉडल्स की एक्यूरेसी और इन्फरेंस स्पीड को मापने के लिए एक स्टैंडर्ड बेंचमार्क के रूप में कार्य करता है। इसमें रिकग्निशन एक्यूरेसी की गणना करने और कंसिस्टेंट डेटासेट्स पर मॉडल परफॉरमेंस का मूल्यांकन करने के लिए प्रति इमेज GPU प्रोसेसिंग समय को मापने के टूल्स शामिल हैं। यह सिस्टम विज़ुअल और सीक्वेंशियल प्रोसेसिंग चरणों को शामिल करता है, जिसमें कन्वेन्शनल फीचर एक्सट्रैक्शन और रिकरेंट सीक्वेंस मॉडलिंग का उपयोग किया जाता है। इसमें टेक्स्ट और इंडेक्स कन्वर्जन के लिए डेटा इंजीनियरिंग यूटिलिटीज, और ट्रेनिंग के दौरान डेटासेट डिस्ट्रीब्यूशन को प्रबंधित करने के लिए बैच-लेवल डेटा बैलेंसिंग शामिल है।

Instructor-embedding एक नेचुरल लैंग्वेज प्रोसेसिंग फ्रेमवर्क है जिसे असंरचित टेक्स्ट को उच्च-आयामी न्यूमेरिकल वैक्टर में बदलने के लिए डिज़ाइन किया गया है। ट्रांसफॉर्मर-आधारित एनकोडर आर्किटेक्चर का उपयोग करके, यह सिस्टम बड़े डेटासेट में सिमेंटिक रिट्रीवल, डेटा वर्गीकरण और समानता विश्लेषण की सुविधा प्रदान करता है। यह फ्रेमवर्क इंस्ट्रक्शन-कंडीशन्ड वेक्टर प्रोजेक्शन के माध्यम से खुद को अलग करता है, जो अतिरिक्त प्रशिक्षण की आवश्यकता के बिना विशिष्ट कार्यों के लिए प्रदर्शन को बेहतर बनाने के लिए नेचुरल लैंग्वेज निर्देशों को सीधे एम्बेडिंग प्रक्रिया में शामिल करता है। यह एक कंट्रास्टिव लर्निंग लाइब्रेरी के रूप में कार्य करता है, जो उपयोगकर्ताओं को विशिष्ट डोमेन के लिए विशेष एम्बेडिंग बनाने के लिए कस्टम डेटासेट पर प्री-ट्रेंड लैंग्वेज मॉडल को फाइन-ट्यून करने की अनुमति देता है। प्रोजेक्ट वेक्टर अभ्यावेदन (representations) के प्रबंधन के लिए टूल का एक व्यापक सूट प्रदान करता है, जिसमें मानकीकृत मेट्रिक्स के खिलाफ मॉडल सटीकता को बेंचमार्क करने और त्वरित समानता खोज के लिए एम्बेडिंग को इंडेक्स करने की क्षमताएं शामिल हैं। संसाधन-सीमित वातावरण में डिप्लॉयमेंट का समर्थन करने के लिए, फ्रेमवर्क में मेमोरी उपयोग को कम करने और अनुमान (inference) की गति को तेज करने के लिए मिक्स्ड-प्रिसिजन मॉडल क्वांटाइजेशन जैसी अनुकूलन विशेषताएं शामिल हैं।

Graph Nets is a graph neural network library and educational toolkit implemented in PyTorch, providing implementations of popular graph representation learning algorithms and research papers. The project covers core graph machine learning tasks including semi-supervised node classification, inductive and unsupervised node embedding generation, and neighborhood feature aggregation. The library supports diverse algorithmic approaches for processing network structures, ranging from shared-parameter graph convolutions and attention-weighted neighborhood aggregation to spectral Chebyshev filtering