Ultralytics YOLO é uma biblioteca Python para visão computacional que abrange detecção, segmentação, classificação, estimativa de pose, rastreamento e muito mais.
62,7 mil11,9 milPythonAGPL-3.0Atualizado há 4 horas
huggingface/pytorch-image-models
Biblioteca PyTorch com arquiteturas de modelos de imagem, pesos pré-treinados e scripts de treinamento, validação e exportação para tarefas de visão computacional.
- Estrelas
- 37,232
- Forks
- 5,217
- Issues abertas
- 18
- Último commit
- há 11 horas
O que é?
PyTorch Image Models (timm) é uma biblioteca Python que reúne um grande número de encoders e backbones para imagens, como ResNet, EfficientNet, Vision Transformer (ViT), Swin Transformer, ConvNeXt e variantes do MobileNet, muitos deles com pesos pré-treinados. Os modelos são criados pelo nome por meio de uma factory comum, então o mesmo código pode carregar um ResNet ou um ViT e usá-lo para classificação ou como extrator de features.
Além dos modelos, o repositório inclui otimizadores, schedulers de taxa de aprendizado, augmentations de dados como RandAugment, Mixup e CutMix, além de scripts de referência para treinamento, validação e inferência. Os modelos compartilham uma interface consistente para substituir o classificador, extrair features e gerar pirâmides de features em múltiplas escalas.
O projeto é voltado a pesquisadores e engenheiros que querem reutilizar ou comparar backbones de visão em PyTorch, ou reproduzir resultados de treinamento no ImageNet. Os pesos pré-treinados são publicados pelo Hugging Face Hub, e a biblioteca é licenciada sob Apache 2.0, com a ressalva de que os pesos treinados no ImageNet estão sujeitos aos termos não comerciais do dataset.
Recursos principais
- 01Centenas de arquiteturas de imagem, incluindo ResNet, EfficientNet, ViT, Swin, ConvNeXt e MobileNet, muitas com pesos pré-treinados.
- 02Crie qualquer modelo compatível pelo nome, usando uma função factory comum.
- 03Otimizadores integrados, como variantes do AdamW, Lion e Muon, além de schedulers de taxa de aprendizado.
- 04Augmentations de dados, incluindo RandAugment, AugMix, Mixup e CutMix.
- 05Scripts de referência para treinamento, validação e inferência, com suporte distribuído a várias GPUs.
- 06API consistente para substituir classificadores e extrair mapas de features em múltiplas escalas.
Casos de uso
- Ajustar um ViT ou ConvNeXt pré-treinado com um dataset personalizado de classificação de imagens.
- Usar um backbone como extrator de features em pipelines de detecção ou segmentação.
- Comparar diferentes arquiteturas usando a mesma configuração de treinamento e avaliação.
- Reproduzir resultados de treinamento no ImageNet ou exportar modelos para implantação.
Início rápido
- 1
Instale a biblioteca pelo PyPI
pip install timm - 2
Crie um modelo pré-treinado e execute a inferência usando o exemplo rápido do README
Antes de usar
- Para executar, é necessário instalar o PyTorch separadamente.
- Algumas variantes do modelo e alguns pesos dependem de versões recentes do PyTorch.
Tópicos
Perguntas frequentes
- O que é pytorch-image-models?
- Biblioteca PyTorch com arquiteturas de modelos de imagem, pesos pré-treinados e scripts de treinamento, validação e exportação para tarefas de visão computacional. PyTorch Image Models (timm) é uma biblioteca Python que reúne um grande número de encoders e backbones para imagens, como ResNet, EfficientNet, Vision Transformer (ViT), Swin Transformer, ConvNeXt e variantes do MobileNet, muitos deles com pesos pré-treinados. Os modelos são criados pelo nome por meio de uma factory comum, então o mesmo código pode carregar um ResNet ou um ViT e usá-lo para classificação ou como extrator de features.
- pytorch-image-models é gratuito? Qual é a licença?
- pytorch-image-models é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- pytorch-image-models ainda é mantido?
- Manutenção ativa. O último commit de pytorch-image-models foi em 20 de out. de 2026.
- Para que posso usar pytorch-image-models?
- Ajustar um ViT ou ConvNeXt pré-treinado com um dataset personalizado de classificação de imagens. Usar um backbone como extrator de features em pipelines de detecção ou segmentação. Comparar diferentes arquiteturas usando a mesma configuração de treinamento e avaliação. Reproduzir resultados de treinamento no ImageNet ou exportar modelos para implantação.
- Como instalar pytorch-image-models?
- Instale a biblioteca pelo PyPI: pip install timm Crie um modelo pré-treinado e execute a inferência usando o exemplo rápido do README
- Onde consigo pytorch-image-models?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/huggingface/pytorch-image-models
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Ultralytics YOLOv5, toolkit de visão computacional baseado em PyTorch para detecção de objetos, segmentação de instâncias e classificação de imagens, com recursos de treinamento e exportação.
58,2 mil17,5 milPythonAGPL-3.0Atualizado há 3 dias
Biblioteca PyTorch que implementa métodos de mapas de ativação de classe (CAM) para visualizar quais regiões da imagem influenciam as previsões de modelos de visão computacional.
13 mil1,7 milPythonMITAtualizado há 2 meses
Framework para definir modelos de ponta em machine learning para texto, visão, áudio e tarefas multimodais, voltado a inferência e treinamento.
167,9 mil34,9 milPythonApache-2.0Atualizado há 20 horas
Biblioteca de otimização de deep learning que facilita e torna mais eficiente o treinamento distribuído e a inferência de modelos grandes.
43,2 mil5 milPythonApache-2.0Atualizado anteontem
Ferramenta em Python para restauração cega de rostos, que melhora rostos borrados, de baixa qualidade ou danificados em fotos e vídeos usando um transformer com consulta a codebook.
18,2 mil3,7 milPythonOtherAtualizado há 11 meses