Open Source

Alles, was wir veröffentlichen, ist auf GitHub verfügbar, von der heutigen Bibliothek bis zu den Bildprojekten, die ihr vorausgingen.

Sprachmodelle

Dlib-Transformer-extensions

Transformer-Architekturen, Hilfsmittel für Sprachmodelle, Beispiele und trainierte Modelle für Dlib, in C++14. Albireo und Pseudalis werden hier entwickelt.

  • C++14
  • CUDA
  • BSL-1.0

ERNIE

Ein sehr kleines Sprachmodell, mit Dlib gebaut: dafür geschriebene Embedding-, Positionskodierungs- und lineare Schichten, mit einem vollständigen Trainingsbeispiel.

  • C++
  • MIT

Dlib-BPE-Tokenizer

Ein Byte-Pair-Encoding-Tokenizer für Dlib, mit Vokabularen von 500 bis 8.000 Token, trainiert auf 2,7 GB englischem und französischem Text.

  • C++14
  • MIT

dlib-models-training

Trainingsprogramme für Dlib-Modelle: ein Vision Transformer mit Barlow-Twins-Selbstüberwachung, ein Vergleich mit ResNet-34 auf Stable ImageNet-1K und Sprachmodelle mit Expertenmischung.

  • C++
  • MIT

Bilder

Colorify

Automatische Kolorierung von Schwarz-Weiß-Bildern und -Filmen: ein ResNet mit U-Net-Struktur, verfeinert durch ein generatives gegnerisches Netz und trainiert auf etwa 900.000 Bildern.

Schwarz-Weiß-Bilder und ihre vom hochauflösenden Modell von Colorify kolorierten Fassungen
  • C++
  • GAN
  • MIT

FFgan

Synthetische Gesichter aus einem DCGAN, trainiert auf über 150.000 Gesichtern, mit einem eingebauten Webserver zum Testen des Modells.

Von FFgan erzeugte synthetische Gesichter
  • C++
  • GAN
  • GPL

BAREL

Eine hybride Lernmethode, die auf selbstüberwachtes Lernen überwachtes metrisches Lernen folgen lässt. Ihr Gesichtserkennungsmodell erreicht 96,1 % auf LFW.

  • C++
  • MIT

Daten und Werkzeuge

Dlib-ImageNet-Datasets

Stable-ImageNet-1K-Datensätze, in mehreren Auflösungen vorverarbeitet, für schnelle Bildexperimente mit Dlib.

  • C++14
  • MIT

FFspider

Ein Web-Crawler mit mehreren Threads, geschrieben zum Aufbau von Bilddatenbanken für die Forschung.

  • C++
  • MIT

Zu dlib-models beigetragene Modelle

Mehrere von uns trainierte Modelle sind im Modell-Repository von Dlib veröffentlicht: Gesichtserkennung mit einem nach der BAREL-Methode trainierten DenseNet, ein Geschlechtsklassifikator, ein Altersschätzer, synthetische Gesichter, hochauflösende Kolorierung, ein selbstüberwachtes ResNet-50 und Vision-Transformer-Modelle.

Forschungsthemen zu Bildern

  • Generative gegnerische Netze
  • Automatische Kolorierung
  • Rauschentfernung
  • Tokenisierung
  • Selbstüberwachtes und unüberwachtes Lernen
  • Gesichtserkennung

Die Bibliothek und die Produkte stehen unter der Boost Software License 1.0. Die anderen Repositorys tragen ihre eigene Lizenz, die auf jeder Karte angegeben ist.