Início Projetos lightly-train
lightly-train
Python

lightly-train

Treinamento tudo-em-um para modelos de visão (YOLO, ViTs, RT-DETR, DINOv3): pré-treinamento, ajuste fino, destilação.

por lightly-ai · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
computer-visioncontrastive-learningdeep-learningAGPL-3.0Python
Ver no GitHub
Em palavras simples

Treine modelos de visão computacional para tarefas como detecção e segmentação de objetos usando seus próprios dados.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
lightly-train — GitHub preview card
📈 Histórico de estrelas
1 6201 619
2026-07-202026-08-31
📈 Acompanhe lightly-train

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Treinamento tudo-em-um para modelos de visão (YOLO, ViTs, RT-DETR, DINOv3): pré-treinamento, ajuste fino, destilação.

lightly-train tem 1.6k estrelas no GitHub. Foi bifurcado 90 vezes. lightly-train é escrito principalmente em Python. Está em desenvolvimento ativo desde 2025. lightly-train está disponível sob a licença AGPL-3.0. Os seus principais temas são: computer-vision, contrastive-learning, deep-learning, depth-estimation.

Frequently asked questions

O que é lightly-train?

Treinamento tudo-em-um para modelos de visão (YOLO, ViTs, RT-DETR, DINOv3): pré-treinamento, ajuste fino, destilação.

lightly-train é de código aberto?

lightly-train é um projeto de código aberto. É distribuído sob a licença AGPL-3.0.

lightly-train é gratuito?

Sim. lightly-train é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria. Sua licença AGPL-3.0 é um copyleft forte: qualquer versão modificada que você distribuir — inclusive oferecida como serviço online — deve ser publicada sob a mesma licença.

Sob que licença está lightly-train?

lightly-train está disponível sob a licença AGPL-3.0.

Em que linguagem lightly-train está escrito?

lightly-train é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — lightly-train

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=lightly-ai-lightly-train)](https://olud.ai/project/lightly-ai-lightly-train.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →
UniDepth
Estimativa de Profundidade Métrica Monocular Universal
1.2k · 3d-reconstruction
partilhadepth-estimation
CoCa-pytorch
Implementação do CoCa, Captioners Contrastivos são Modelos Fundamentais de Imagem-Tex, em Pytor…
1.2k · artificial-intelligence
partilhacontrastive-learning
SDT
Este repositório é a implementação oficial de Disentangling Writer and Character Styles for Han…
1.4k · computer-vision
partilhacontrastive-learning
sc_depth_pl
SC-Depth (V1, V2 e V3) para Estimativa de Profundidade Monocular Não Supervisionada Página da W…
488 · computer-vision
partilhadepth-estimation
lightly
Uma biblioteca Python para aprendizado auto-supervisionado em imagens.
3.8k · computer-vision
partilhacontrastive-learning
DiffusionDepth
Implementação em PyTorch da introdução de abordagem de difusão para percepção de profundidade 3…
341 · depth-estimation
partilhadepth-estimation
self-supervised-depth-completion
ICRA 2019 "Auto-supervisionado Sparse-to-Dense: Completação de Profundidade Auto-supervisionada…
654 · computer-vision
partilhadepth-estimation
sparse-to-dense
ICRA 2018 "Sparse-to-Dense: Previsão de Profundidade a partir de Amostras de Profundidade Espar…
444 · computer-vision
partilhadepth-estimation
pytorch-metric-learning
A maneira mais fácil de usar aprendizado métrico profundo em sua aplicação. Modular, flexível e…
6.3k · computer-vision
partilhacontrastive-learning
monodepth2
[ICCV 2019] Estimativa de profundidade monocular a partir de uma única imagem
4.5k · computer-vision
partilhadepth-estimation

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.