Implementación en PyTorch de GeoCLIP, un modelo al estilo CLIP que alinea imágenes con coordenadas GPS para geolocalizar imágenes en todo el mundo.
415+1 esta semana52PythonMITBien mantenidoActualizado hace 12 días
lightly-ai/lightly
Biblioteca de Python para aprendizaje autosupervisado con imágenes, con componentes de PyTorch para entrenar modelos de visión sin etiquetas.
- Estrellas
- 3,829
- Forks
- 379
- Issues abiertos
- 119
- Último commit
- hace 7 días
¿Qué es?
Lightly SSL es un framework de visión por computadora para el aprendizaje autosupervisado, una técnica que entrena modelos de imágenes con datos sin etiquetar. Está dirigido a desarrolladores que quieren preentrenar un backbone con su propia colección de imágenes, en lugar de depender únicamente de pesos preentrenados al estilo de ImageNet.
La biblioteca sigue un estilo similar al de PyTorch y ofrece componentes de bajo nivel, como funciones de pérdida, cabezales de proyección y predicción, y transformaciones de datos. Incluye implementaciones y ejemplos de muchos métodos publicados, como MoCo, SimCLR, BYOL, DINO, DINOv2, MAE y VICReg, con ejemplos para PyTorch y PyTorch Lightning. Admite modelos backbone personalizados y permite el entrenamiento distribuido en varias GPU mediante PyTorch Lightning.
Se instala con pip y el proyecto cuenta con licencia MIT. Los responsables también ofrecen productos comerciales independientes para la curación y el etiquetado de datos, que no forman parte de este paquete.
Funciones clave
- 01Componentes modulares, como funciones de pérdida y cabezales de modelo
- 02Implementaciones de muchos métodos autosupervisados, como SimCLR, BYOL, DINO y MAE
- 03Compatibilidad con modelos backbone personalizados
- 04Ejemplos para PyTorch y PyTorch Lightning
- 05Entrenamiento distribuido con pérdidas agregadas y BatchNorm sincronizado
Casos de uso
- Preentrenar un backbone de visión con un conjunto de imágenes sin etiquetar de un dominio específico
- Comparar distintos métodos autosupervisados con los mismos datos
- Crear experimentos de investigación personalizados de SSL con funciones de pérdida y cabezales intercambiables
- Entrenar con varias GPU mediante PyTorch Lightning
Antes de usarlo
- La compatibilidad con Docker y los modelos preentrenados que se pueden usar con un solo comando solo están disponibles en la versión comercial.
En colecciones
Temas
#computer-vision#self-supervised-learning#pytorch#deep-learning#contrastive-learning#embeddings#contributions-welcome#hacktoberfest#machine-learning
Preguntas frecuentes
- ¿Qué es lightly?
- Biblioteca de Python para aprendizaje autosupervisado con imágenes, con componentes de PyTorch para entrenar modelos de visión sin etiquetas. Lightly SSL es un framework de visión por computadora para el aprendizaje autosupervisado, una técnica que entrena modelos de imágenes con datos sin etiquetar. Está dirigido a desarrolladores que quieren preentrenar un backbone con su propia colección de imágenes, en lugar de depender únicamente de pesos preentrenados al estilo de ImageNet.
- ¿lightly es gratuito? ¿Qué licencia tiene?
- lightly es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿lightly sigue mantenido?
- Mantenimiento activo. El último commit de lightly fue el 30 oct 2026.
- ¿Para qué puedo usar lightly?
- Preentrenar un backbone de visión con un conjunto de imágenes sin etiquetar de un dominio específico Comparar distintos métodos autosupervisados con los mismos datos Crear experimentos de investigación personalizados de SSL con funciones de pérdida y cabezales intercambiables Entrenar con varias GPU mediante PyTorch Lightning
- ¿Dónde consigo lightly?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/lightly-ai/lightly
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Biblioteca de visión artificial diferenciable basada en PyTorch, con procesamiento de imágenes, geometría, aumentación y operadores de correspondencia de características optimizados para GPU.
12,3 mil+269 esta semana1,5 milPythonApache-2.0Actualizado hace 19 horas
Una extensión de PyTorch para crear y entrenar modelos de deep learning con datos tabulares de tipos de columna mixtos, incluidos texto e imágenes.
802+1 esta semana75PythonMITActualizado hace 4 días
Framework declarativo de deep learning para entrenar, ajustar y desplegar LLM, modelos multimodales y tabulares a partir de configuraciones YAML.
11,8 mil+5 esta semana1,2 milPythonApache-2.0Actualizado hace 3 días
Biblioteca de Python para ejecutar, entrenar y evaluar modelos de IA del hub de modelos ModelScope mediante una interfaz unificada de pipeline y Trainer.
9,2 mil+11 esta semana974PythonApache-2.0Bien mantenidoActualizado hace 4 días
Biblioteca de modelos preentrenados para Keras 3, con modelos de texto, imagen y audio compatibles con JAX, TensorFlow y PyTorch.
996377PythonApache-2.0Bien mantenidoActualizado anteayer