Home Progetti lightly-train
lightly-train
Python

lightly-train

Formazione tutto-in-uno per modelli di visione (YOLO, ViTs, RT-DETR, DINOv3): pre-addestramento, fine-tuning, distillazione.

di lightly-ai · GitHub
Stelle
Fork
Licenza
Creato
Ultimo commit
Lingua
computer-visioncontrastive-learningdeep-learningAGPL-3.0Python
Visualizza su GitHub
In parole semplici

Allena modelli di visione artificiale per compiti come il rilevamento e la segmentazione degli oggetti utilizzando i tuoi dati.

Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
lightly-train — GitHub preview card
📈 Storia delle stelle
1 6201 619
2026-07-202026-08-31
📈 Segui lightly-train

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Formazione tutto-in-uno per modelli di visione (YOLO, ViTs, RT-DETR, DINOv3): pre-addestramento, fine-tuning, distillazione.

lightly-train ha 1.6k stelle su GitHub. È stato forkato 90 volte. lightly-train è scritto principalmente in Python. È in sviluppo attivo dal 2025. lightly-train è disponibile con licenza AGPL-3.0. I suoi temi principali sono: computer-vision, contrastive-learning, deep-learning, depth-estimation.

Frequently asked questions

Che cos'è lightly-train?

Formazione tutto-in-uno per modelli di visione (YOLO, ViTs, RT-DETR, DINOv3): pre-addestramento, fine-tuning, distillazione.

lightly-train è open source?

lightly-train è un progetto open source. È rilasciato con licenza AGPL-3.0.

lightly-train è gratuito?

Sì. lightly-train è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente. La sua licenza AGPL-3.0 è un copyleft forte: ogni versione modificata che distribuisce — anche offerta come servizio in rete — deve essere pubblicata sotto la stessa licenza.

Con quale licenza è lightly-train?

lightly-train è disponibile con licenza AGPL-3.0.

In quale linguaggio è scritto lightly-train?

lightly-train è scritto principalmente in Python.

🏅 Manutentore di questo progetto?
olud.ai badge — lightly-train

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![olud.ai](https://olud.ai/badge.php?tool=lightly-ai-lightly-train)](https://olud.ai/project/lightly-ai-lightly-train.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →
UniDepth
Stima della Profondità Metrica Monoculare Universale
1.2k · 3d-reconstruction
condividedepth-estimation
CoCa-pytorch
Implementazione di CoCa, i Captioner Contrattuali sono modelli fondazionali immagine-testo, in…
1.2k · artificial-intelligence
condividecontrastive-learning
SDT
Questo repository è l'implementazione ufficiale di Disentangling Writer and Character Styles fo…
1.4k · computer-vision
condividecontrastive-learning
sc_depth_pl
SC-Depth (V1, V2 e V3) per la stima della profondità monoculare non supervisionata Pagina web:…
488 · computer-vision
condividedepth-estimation
lightly
Una libreria Python per l'apprendimento auto-supervisionato su immagini.
3.8k · computer-vision
condividecontrastive-learning
DiffusionDepth
Implementazione PyTorch dell'approccio di diffusione per la percezione della profondità 3D ECCV…
341 · depth-estimation
condividedepth-estimation
self-supervised-depth-completion
ICRA 2019 "Auto-supervisionato Sparse-to-Dense: Completamento della profondità auto-supervision…
654 · computer-vision
condividedepth-estimation
sparse-to-dense
ICRA 2018 "Sparse-to-Dense: Predizione della Profondità da Campioni di Profondità Sparsi e da u…
444 · computer-vision
condividedepth-estimation
pytorch-metric-learning
Il modo più semplice per utilizzare l'apprendimento metrico profondo nella tua applicazione. Mo…
6.3k · computer-vision
condividecontrastive-learning
monodepth2
[ICCV 2019] Stima della profondità monoculare da un'unica immagine
4.5k · computer-vision
condividedepth-estimation

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.