PyTorch Image Models开源项目 – PyTorch图像模型集合库

HAvatar是一个通过面部模型调节神经辐射场生成高保真头像的项目，结合了NeRF的表达能力和参数模板的先验信息，克服了形状不一致的问题，实现动态头部外观的高分辨率和真实性，并支持动画的稳定性。

PDAE是一个基于预训练扩散概率模型的无监督表示学习项目，能够高效地进行特征提取，并适用于多种数据类型的表示学习。

Mixture-of-Mamba 是一种基于状态空间模型（SSMs）的新型架构，专门设计用于通过引入模态感知稀疏性来改进多模态模型。它能够高效处理文本、图像和语音等不同类型的数据，通过为每种数据类型定制参数，显著提高效率和性能。该项目在减少计算成本的同时，保持了或提升了模型的表现，特别适用于多模态预训练研究。

基于预训练语言模型的零样本和少样本NLP的教程，提供了一系列的示例和实用工具，用于帮助研究人员和工程师理解和应用这些技术。

B-cos Networks旨在通过对齐实现模型的可解释性，提供最先进的性能，适用于各种机器学习任务。

MindCV是一个基于MindSpore的视觉模型和算法工具箱，致力于计算机视觉相关技术的研究与开发。它提供了全面的视觉模型集合，并与MindSpore框架深度集成，支持多种计算机视觉算法。该项目是开源的，社区驱动，既适用于研究，也适用于实际应用。

Ultralytics YOLO 是一款基于 YOLO 系列的尖端对象检测和追踪模型，集成了计算机视觉和深度学习的最新进展。它继承了前代 YOLO 版本的成功，并引入了新的架构和训练流程，提升了实时推理速度、准确性和泛化能力。该模型适用于广泛的任务，包括对象检测、实例分割、图像分类和姿态估计。YOLO11 经过 COCO、ImageNet 和 DOTAv1 等大型数据集的训练，提供了卓越的准确度和速度。

VisionAgent是由LandingAI开发的可扩展视觉AI技术，旨在通过自动化代码生成、模型选择和部署流程，帮助开发者在几分钟内构建视觉功能应用。它支持图像/视频处理任务（如物体检测、图像分类），提供从快速原型开发到生产部署的全流程解决方案，并集成多款开源模型和工具。

Transformer语言模型域自适应工具包，用于将基于Transformer的语言模型适应于新的文本领域。该工具包支持多种预训练模型，并提供灵活的配置选项，使得用户能够轻松调整和评估模型在特定领域的表现，从而有效提升自然语言处理任务的效果。

colmap_cameras_pytorch 是一个用 PyTorch 实现的工具，专注于 COLMAP 相机模型。它支持自动微分，全面支持 COLMAP 的所有相机模型，并提供实用工具如相机模型重映射和根求解器。这款工具主要面向计算机视觉和深度学习领域的研发人员，特别适用于结构从运动（SfM）和多视图立体视觉（MVS）任务。

DINOv2编码器微调助手利用低秩适应（LoRA）技术对视觉任务进行编码器权重微调，简化新任务适配过程，显著提高模型在图像分割等视觉任务上的表现。该项目支持DINOv2编码器的微调，优化视觉任务的性能，适用于计算机视觉领域的各种任务。

ViLMedic是一个模块化框架，专门用于医学领域的视觉和语言多模态研究。它提供了预训练模型，并实现了多种医学图像和文本任务的解决方案，包括医学问答、放射学报告生成和总结，以及自监督学习等。

InsPLAD是一个专注于电力线路资产检查的数据集，为机器学习和计算机视觉应用提供多样化的检测场景，用于研究和开发电力设施检查算法。

Neural Speech Synthesis是由Xu Tan和Hung-yi Lee在2022年Interspeech教程中介绍的一种先进的语音合成技术，利用深度学习算法生成自然流畅的语音，支持多种风格和情感，适用于多种应用场景。

音频领域的大型语言模型集合，专注于音频处理、理解和生成，为音频语言模型提供丰富的资源和工具