Scalable Diffusion Models with Transformers (DiT)

Новый класс моделей диффузии, основанный на архитектуре трансформеров.Модели DiT-XL/2 не только обладают хорошей масштабируемостью, но и превосходят все предшествующие диффузионные модели на тестах.

git clone https://github.com/facebookresearch/DiT.git

🖥 Github: https://github.com/facebookresearch/DiT

🖥 Colab: http://colab.research.google.com/github/facebookresearch/DiT/blob/main/run_DiT.ipynb

⭐️ Project: https://www.wpeebles.com/DiT

⏩ Paprer: http://arxiv.org/abs/2212.09748

✔️ Dataset: https://paperswithcode.com/dataset/imagenet

👉 @bigdata_1

Generalized Decoding for Pixel, Image, and Language

X-Decoder - первая модель, которая поддерживает все типы сегментации изображений, способной эффективно решать различные задачи CV и VL.

🖥 Github: https://github.com/microsoft/X-Decoder

🤗 Hugging Face Demo: https://huggingface.co/spaces/xdecoder/Demo

⭐️ Project: https://x-decoder-vl.github.io/

⏩ Paprer: https://arxiv.org/pdf/2212.11270.pdf

✔️ Dataset: https://paperswithcode.com/dataset/visual-genome

👉 @bigdata_1

Riffusion App

Riffusion — это интересный проект для создания музыки в реальном времени, основанный на stable diffusion.

🖥 Github: https://github.com/riffusion/riffusion-app

🖥 Colab: https://colab.research.google.com/drive/1FhH3HlN8Ps_Pr9OR6Qcfbfz7utDvICl0

⏩ Model: https://huggingface.co/riffusion/riffusion-model-v1

🖥 Demo: https://huggingface.co/spaces/fffiloni/spectrogram-to-music

👉 @bigdata_1

Neural Cloth Simulation

ИИ для анимации и генерации одежды.

🖥 Github: https://github.com/hbertiche/NeuralClothSim

⭐️ Project: https://hbertiche.github.io/NeuralClothSim/

✅️ Paprer: arxiv.org/pdf/2211.13226.pdf


👉 @bigdata_1

JRBD: Egocentric Perception of Humans

Стэнфорд JRDB-Pose: набор размеченных данных с более чем 600 000 позами тел.

⭐️ Dataset: https://jrdb.erc.monash.edu/

🖥 Github: https://github.com/JRDB-dataset/jrdb_toolkit/

⏩ JRDB-Pose: https://jrdb.erc.monash.edu/dataset/pose#toolkit

✅ Paper: arxiv.org/pdf/1910.11792.pdf

👉 @bigdata_1

Language Models are Few-shot Multilingual Learners

Github: https://github.com/gentaiscool/few-shot-lm

Paper: https://arxiv.org/abs/2109.07684v1

👉 @bigdata_1

Orion

Проект с открытым исходным кодом от Data до AI Lab от MIT.
Orion — это библиотека машинного обучения, созданная для обнаружения аномалий во временных рядах.

pip install orion-ml

🖥 Github: https://github.com/sintel-dev/orion

⭐️ Notebooks: https://drive.google.com/drive/folders/1FAcCEiE1JDsqaMjGcmiw5a5XuGh13c9Q?usp=sharing

✅ Paper: https://arxiv.org/abs/2212.13558v1

⏩ Docs: https://sintel.dev/Orion/

⏩ Datalab: https://dai.lids.mit.edu/

👉 @bigdata_1

ConvNeXt V2

Meta выпустила ConvNeXt V2 на PyTorch для 8 видов моделей (Atto, Femto, Pico, Nano, Tiny, Base, Large, Huge), код обученной модели, настройки и веса (преобразованные из весов JAX, обученных на TPU) для ConvNeXt V2. х. ConvNets работал лучше, чем Трансформеры для задач компьютерного зрения, а ConvNeXt V2, значительно превосходит производительность сетей ConvNet на тестах.

🖥 Github: https://github.com/facebookresearch/convnext-v2

⭐️ Paper: https://arxiv.org/abs/2301.00808v1

⏩ Dataset: https://paperswithcode.com/dataset/coco

👉 @bigdata_1

PACO: Parts and Attributes of Common Objects

Meta опубликовала огромный датасет. PACO — это набор данных, содержащий 641 000 аннотированных объектов и их и частей .

🖥 Github https://github.com/facebookresearch/paco

⭐️ Paper https://arxiv.org/abs/2301.01795v1

👉 @bigdata_1

Интернет вещей -- "новый черный" в высоких технологиях. Мы начинаем "привыкать к хорошему", и вау-эффект сменяется "а, значит можно так было?!" Технологии с использованием индустриальных IoT-решений приходят и в такие глобальные отрасли экономики, как строительство и транспорт.
О том, что транспортная отрасль сталкивается с рядом вызовов, говорили эксперты и участники рынка на Форуме "Цифровая транспортация 2024" @dtla_ru в технологическом кластере "Ломоносов".
В рамках его мероприятий было запущено движение беспилотных грузовиков по трассе М-11, а РЖД и партнёры представили итоги внедрения Интернета вещей.
ГК "ИНСПАРК" @InsparkGroup разработчик отечественной Inspark.IoT Platform, продемонстрировал, насколько прозрачными и управляемыми могут стать такие важнейшие объекты инфраструктуры, как железнодорожный мост, компрессорная станция, участки пути. Их "цифровые двойники" уже передают массивы данных для онлайн -мониторинга обслуживающим специалистам.
По словам Олега Крупенко, генерального директора ГК "ИНСПАРК", скоро
цифровое проектирование по ТИМ-модели и работа с "цифровыми двойниками" станут "золотым стандартом" при  проектировании и эксплуатации транспортных объектов такого масштаба.

Больше новостей Интернета вещей / IoT-технологий 🔜 @InsparkGroup

ObjectFolder 2.0: A Multisensory Object Dataset for Sim2Real Transfer

Github: https://github.com/rhgao/objectfolder

Paper: https://arxiv.org/abs/2204.02389v1

Project: https://ai.stanford.edu/~rhgao/objectfolder2.0/

Dataset: https://paperswithcode.com/dataset/objectfolder

👉 @bigdata_1

Audio-Visual Efficient Conformer for Robust Speech Recognition

Улучшенный метод чтения по губам, с помощью архитектуры Conformer Connectionist Temporal Classification (CTC) для обработки аудио и видео.


🖥 Github https://github.com/burchim/avec
✔️ Paper https://arxiv.org/abs/2301.01456
🔥Notebook https://colab.research.google.com/github/burchim/AVEC/blob/master/demo.ipynb
🚀 Models https://github.com/burchim/avec#Models

👉 @bigdata_1

Image Similarity with Hugging Face Datasets and Transformers

In this post, you'll learn to build an image similarity system wich Transformers.

Полезная статья, с которой вы создадите систему поиска сходства изображений с помощью Transformers. Можно немного попрактиковаться и попробовать другие модели.

Huggingface https://huggingface.co/blog/image-similarity
Github https://github.com/huggingface/blog/blob/main/image-similarity.md
Colab https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/image_similarity.ipynb

👉 @bigdata_1

Основы Data Science: от Numpy до PostgreSQL
Хочешь освоить ключевые инструменты анализа данных? Этот тренажер — твоё лучшее начало для погружения в Data Science!

Что ты изучишь:
- Основы Python и работу с мощными библиотеками Numpy и Pandas.
- Математические основы для Data Science, включая регрессию, классификацию и кластеризацию.
- Работа с базами данных с использованием SQL и PostgreSQL.
- Практические задания и проекты для портфолио, которые подготовят тебя к реальным задачам.

Кому подойдет курс - тренажер?
1.Новичкам в аналитике данных и тем, кто хочет развиваться в сторону ML-инженера.
2.Администраторам баз данных, которые стремятся автоматизировать задачи и повысить эффективность управления данными.
3.Инженерам данных, которым нужно улучшить навыки предобработки данных для машинного обучения.

Как изменится твоя работа
📊Аналитики данных:
До курса: Затруднения с обработкой больших объемов данных, выполнение задач вручную.
После курса: Эффективная работа с Numpy и Pandas, умение визуализировать данные с помощью MatPlotLib, выполнение SQL-запросов для работы с базами данных.
💻Администраторы баз данных:
До курса: Отсутствие автоматизации и инструментов для анализа данных.
После курса: Автоматизация рутинных задач, уверенная работа с SQL и PostgreSQL, создание визуальных отчетов.
🛠Инженеры данных:
До курса: Сложности с предобработкой данных для ML-моделей.
После курса: Быстрая и эффективная обработка данных с Numpy и Pandas, умение визуализировать результаты и работать с PostgreSQL.

🎓 Первый урок доступен бесплатно в демо - доступе

В демо-версии курса ты познакомишься с библиотекой Numpy: научишься создавать и редактировать массивы, работать с изображениями и применять этот навык для решения задач в любой области работы с данными и решишь более 6 практических задач!

Регистрация на демо-доступ

Реклама. Информация о рекламодателе

CS224W: Machine Learning with Graphs Free Course from Stanford

https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

👉 @bigdata_1

Deep Learning Tuning Playbook

This document is for engineers and researchers (both individuals and teams) interested in maximizing the performance of deep learning models.

Этот репозиторий-книга от специалистов Google Research с практическими советами по максимальному повышению производительности моделей глубокого обучения.

Github https://github.com/google-research/tuning_playbook#who-is-this-document-for

Reddit https://www.reddit.com/r/MachineLearning/comments/10gxtao/d_deep_learning_tuning_playbook_recently_released/


👉 @bigdata_1