Реализация GeoCLIP на PyTorch: модель в стиле CLIP, которая сопоставляет изображения с GPS-координатами для геолокализации фотографий по всему миру.
417+3 за неделю52PythonMITАктивно поддерживаетсяОбновлён 12 дней назад
lightly-ai/lightly
Библиотека Python для самообучения на изображениях с компонентами PyTorch для обучения моделей компьютерного зрения без разметки.
- Звёзды
- 3,829
- Форки
- 379
- Открытые issues
- 119
- Последний коммит
- 7 дней назад
Что это?
Lightly SSL — фреймворк для компьютерного зрения и самообучения — метода, который позволяет обучать модели обработки изображений на неразмеченных данных. Он рассчитан на разработчиков, которые хотят предварительно обучить backbone на собственной коллекции изображений, а не полагаться только на готовые веса, обученные на данных в стиле ImageNet.
Библиотека написана в стиле PyTorch и предоставляет низкоуровневые компоненты, например функции потерь, проекционные и предсказательные головы, а также преобразования данных. В неё входят реализации и примеры для многих опубликованных методов, включая MoCo, SimCLR, BYOL, DINO, DINOv2, MAE и VICReg, а также примеры для PyTorch и PyTorch Lightning. Поддерживаются пользовательские модели backbone, а распределённое обучение на нескольких GPU доступно через PyTorch Lightning.
Установить библиотеку можно через pip; проект распространяется по лицензии MIT. Разработчики также предлагают отдельные коммерческие продукты для отбора и разметки данных — они не входят в этот пакет.
Ключевые возможности
- 01Модульные компоненты, например функции потерь и головы модели
- 02Реализации множества методов самообучения, включая SimCLR, BYOL, DINO и MAE
- 03Поддержка пользовательских моделей backbone
- 04Примеры для PyTorch и PyTorch Lightning
- 05Распределённое обучение со сбором значений функций потерь и синхронизированным BatchNorm
Сценарии использования
- Предварительное обучение backbone для компьютерного зрения на неразмеченном наборе изображений из конкретной предметной области
- Сравнение разных методов самообучения на одних и тех же данных
- Создание пользовательских исследовательских экспериментов по самообучению с возможностью менять функции потерь и головы модели
- Обучение на нескольких GPU с PyTorch Lightning
Что важно знать
- Поддержка Docker и предварительно обученные модели, запускаемые одной командой, доступны только в коммерческой версии.
В подборках
Темы
#computer-vision#self-supervised-learning#pytorch#deep-learning#contrastive-learning#embeddings#contributions-welcome#hacktoberfest#machine-learning
Частые вопросы
- Что такое lightly?
- Библиотека Python для самообучения на изображениях с компонентами PyTorch для обучения моделей компьютерного зрения без разметки. Lightly SSL — фреймворк для компьютерного зрения и самообучения — метода, который позволяет обучать модели обработки изображений на неразмеченных данных. Он рассчитан на разработчиков, которые хотят предварительно обучить backbone на собственной коллекции изображений, а не полагаться только на готовые веса, обученные на данных в стиле ImageNet.
- lightly можно использовать бесплатно? Какая у него лицензия?
- lightly распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- lightly всё ещё поддерживается?
- Активно поддерживается. Последний коммит в lightly — 30 окт. 2026 г..
- Для чего можно использовать lightly?
- Предварительное обучение backbone для компьютерного зрения на неразмеченном наборе изображений из конкретной предметной области Сравнение разных методов самообучения на одних и тех же данных Создание пользовательских исследовательских экспериментов по самообучению с возможностью менять функции потерь и головы модели Обучение на нескольких GPU с PyTorch Lightning
- Где скачать lightly?
- Исходный код и инструкции по установке — на GitHub: https://github.com/lightly-ai/lightly
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Дифференцируемая библиотека компьютерного зрения на базе PyTorch с поддержкой GPU для обработки изображений, геометрии, аугментаций и сопоставления признаков.
12,3 тыс.+275 за неделю1,5 тыс.PythonApache-2.0Обновлён 5 часов назад
Расширение PyTorch для создания и обучения моделей глубокого обучения на табличных данных со столбцами разных типов, включая текст и изображения.
802+1 за неделю75PythonMITОбновлён 4 дня назад
Декларативный фреймворк для глубокого обучения: обучение, дообучение и развертывание LLM, мультимодальных и табличных моделей через YAML-конфигурации.
11,8 тыс.+4 за неделю1,2 тыс.PythonApache-2.0Активно поддерживаетсяОбновлён 4 дня назад
Python-библиотека для запуска, обучения и оценки AI-моделей из ModelScope Model Hub через единый интерфейс pipeline и Trainer.
9,2 тыс.+8 за неделю975PythonApache-2.0Активно поддерживаетсяОбновлён 4 дня назад
Библиотека предобученных моделей для Keras 3: модели для текста, изображений и аудио, работающие с JAX, TensorFlow или PyTorch.
996377PythonApache-2.0Активно поддерживаетсяОбновлён позавчера