Open source

Tutto ciò che pubblichiamo è disponibile su GitHub, dalla libreria attuale ai progetti sulle immagini che l'hanno preceduta.

Modelli linguistici

Dlib-Transformer-extensions

Architetture transformer, utilità per i modelli linguistici, esempi e modelli addestrati per Dlib, in C++14. Albireo e Pseudalis sono sviluppati qui.

  • C++14
  • CUDA
  • BSL-1.0

ERNIE

Un modello linguistico molto piccolo costruito con Dlib: strati di embedding, di codifica posizionale e lineari scritti per esso, con un esempio completo di addestramento.

  • C++
  • MIT

Dlib-BPE-Tokenizer

Un tokenizer a codifica di coppie di byte per Dlib, con vocabolari da 500 a 8.000 token addestrati su 2,7 GB di testo inglese e francese.

  • C++14
  • MIT

dlib-models-training

Programmi di addestramento per i modelli Dlib: un Vision Transformer con auto-supervisione Barlow Twins, un confronto con ResNet-34 su Stable ImageNet-1K e modelli linguistici a miscela di esperti.

  • C++
  • MIT

Immagini

Colorify

La colorazione automatica di immagini e film in bianco e nero: una ResNet a struttura U-Net, raffinata da una rete generativa avversaria e addestrata su circa 900.000 immagini.

Immagini in bianco e nero e le loro versioni colorate dal modello ad alta risoluzione di Colorify
  • C++
  • GAN
  • MIT

FFgan

Volti sintetici generati da una DCGAN addestrata su oltre 150.000 volti, con un server web integrato per provare il modello.

Volti sintetici generati da FFgan
  • C++
  • GAN
  • GPL

BAREL

Un metodo di apprendimento ibrido che fa seguire all'apprendimento auto-supervisionato un apprendimento metrico supervisionato. Il suo modello di riconoscimento facciale raggiunge il 96,1% su LFW.

  • C++
  • MIT

Dati e strumenti

Dlib-ImageNet-Datasets

Insiemi di dati Stable ImageNet-1K pre-elaborati a più risoluzioni, per esperimenti rapidi di visione con Dlib.

  • C++14
  • MIT

FFspider

Un crawler web multi-thread scritto per costruire basi di immagini per la ricerca.

  • C++
  • MIT

Modelli contribuiti a dlib-models

Diversi modelli che abbiamo addestrato sono pubblicati nel repository dei modelli di Dlib: riconoscimento facciale con una DenseNet addestrata con il metodo BAREL, un classificatore di genere, uno stimatore dell'età, volti sintetici, colorazione ad alta risoluzione, una ResNet-50 auto-supervisionata e modelli Vision Transformer.

Temi di ricerca sulle immagini

  • Reti generative avversarie
  • Colorazione automatica
  • Rimozione del rumore
  • Tokenizzazione
  • Apprendimento auto-supervisionato e non supervisionato
  • Riconoscimento facciale

La libreria e i prodotti sono sotto la Boost Software License 1.0. Gli altri repository portano la propria licenza, indicata su ogni scheda.