Startseite Projekte lightly-train
lightly-train
Python

lightly-train

All-in-One-Training für Vision-Modelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Feinabstimmung, Destillation.

von lightly-ai · GitHub
Sterne
Forks
Lizenz
Erstellt
Letzter Commit
Sprache
computer-visioncontrastive-learningdeep-learningAGPL-3.0Python
Auf GitHub ansehen
In einfachen Worten

Trainieren Sie Computer Vision-Modelle für Aufgaben wie Objekterkennung und Segmentierung mit Ihren eigenen Daten.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
lightly-train — GitHub preview card
📈 Sternhistorie
1 6201 619
2026-07-202026-08-31
📈 lightly-train verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

All-in-One-Training für Vision-Modelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Feinabstimmung, Destillation.

lightly-train hat 1.6k Sterne auf GitHub. Es wurde 90-mal geforkt. lightly-train ist hauptsächlich in Python geschrieben. Es wird seit 2025 aktiv entwickelt. lightly-train ist unter der AGPL-3.0-Lizenz verfügbar. Die Hauptthemen sind: computer-vision, contrastive-learning, deep-learning, depth-estimation.

Frequently asked questions

Was ist lightly-train?

All-in-One-Training für Vision-Modelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Feinabstimmung, Destillation.

Ist lightly-train Open Source?

lightly-train ist ein Open-Source-Projekt. Es wird unter der AGPL-3.0-Lizenz veröffentlicht.

Ist lightly-train kostenlos?

Ja. lightly-train ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten. Die AGPL-3.0-Lizenz ist ein starkes Copyleft: Eine veränderte Version, die Sie weitergeben — auch als Netzwerkdienst —, muss unter derselben Lizenz veröffentlicht werden.

Unter welcher Lizenz steht lightly-train?

lightly-train ist unter der AGPL-3.0-Lizenz verfügbar.

In welcher Sprache ist lightly-train geschrieben?

lightly-train ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — lightly-train

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=lightly-ai-lightly-train)](https://olud.ai/project/lightly-ai-lightly-train.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
UniDepth
Universelle monokulare metrische Tiefenschätzung
1.2k · 3d-reconstruction
teiltdepth-estimation
CoCa-pytorch
Implementierung von CoCa, kontrastiven Bildunterschriftenerstellern als Bild-Text-Grundlagenmod…
1.2k · artificial-intelligence
teiltcontrastive-learning
SDT
Dieses Repository ist die offizielle Implementierung von Disentangling Writer and Character Sty…
1.4k · computer-vision
teiltcontrastive-learning
sc_depth_pl
SC-Depth (V1, V2 und V3) für unbeaufsichtigte monokulare Tiefenschätzung Webseite:https://jiawa…
488 · computer-vision
teiltdepth-estimation
lightly
Eine Python-Bibliothek für selbstüberwachtes Lernen von Bildern.
3.8k · computer-vision
teiltcontrastive-learning
DiffusionDepth
PyTorch-Implementierung zur Einführung des Diffusionsansatzes zur 3D-Tiefenwahrnehmung ECCV 202…
341 · depth-estimation
teiltdepth-estimation
self-supervised-depth-completion
ICRA 2019 "Selbstüberwachtes Sparse-to-Dense: Selbstüberwachtes Tiefen-Vervollständigung aus Li…
654 · computer-vision
teiltdepth-estimation
sparse-to-dense
ICRA 2018 "Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image" (Tor…
444 · computer-vision
teiltdepth-estimation
pytorch-metric-learning
Der einfachste Weg, tiefes metrisches Lernen in Ihrer Anwendung zu verwenden. Modular, flexibel…
6.3k · computer-vision
teiltcontrastive-learning
monodepth2
[ICCV 2019] Monokulare Tiefenschätzung aus einem einzelnen Bild
4.5k · computer-vision
teiltdepth-estimation

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.