D

deep-learning

Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking

GitHub: https://github.com/ultralytics/ultralytics

https://platform.ultralytics.com

Pinned PyTorch CPU and CUDA base images. Build the damn stack once.

Agent skills for Ultralytics YOLO, covering models, datasets, training, tuning, inference, tracking, and export.

GitHub: https://github.com/ultralytics/skills

https://www.ultralytics.com

PyTorch model profiler for computing MACs and parameter counts to measure deep learning model complexity.

GitHub: https://github.com/ultralytics/thop

https://pypi.org/project/ultralytics-thop/

Ultralytics YOLOv5 in PyTorch for object detection, instance segmentation, classification, training, and export.

GitHub: https://github.com/ultralytics/yolov5

https://docs.ultralytics.com/yolov5/

PyTorch implementation of YOLOv3, YOLOv3-SPP, and YOLOv3-tiny for real-time object detection with training, validation, inference, and multi-format export.

GitHub: https://github.com/ultralytics/yolov3

https://docs.ultralytics.com/models/yolov3/

Ultralytics YOLO26 quickstart for detection, instance and semantic segmentation, depth estimation, classification, pose, OBB, and tracking.

GitHub: https://github.com/ultralytics/yolo26

https://platform.ultralytics.com/ultralytics/yolo26

Ultralytics YOLO11 discovery and quickstart for detection, segmentation, classification, pose, OBB, and tracking.

GitHub: https://github.com/ultralytics/yolo11

https://platform.ultralytics.com/ultralytics/yolo11

Ultralytics YOLOv8 discovery and quickstart for detection, segmentation, classification, pose, OBB, and tracking.

GitHub: https://github.com/ultralytics/yolov8

https://platform.ultralytics.com/ultralytics/yolov8

OpenAI CLIP for zero-shot image-text classification and embeddings with ResNet and Vision Transformer models.

GitHub: https://github.com/ultralytics/CLIP

https://www.ultralytics.com

Ultralytics organization-wide GitHub community health files, issue and pull request templates, and the public org profile.

GitHub: https://github.com/ultralytics/.github

https://ultralytics.com

Ultralytics iSky iOS app for real-time neural style transfer, transforming live iPhone and iPad camera video with five famous painting styles.

GitHub: https://github.com/ultralytics/iSky

https://apps.apple.com/us/app/isky/id1445737240

PyTorch sandbox for testing convolutional networks, ResNets, and other architectures on MNIST digits.

GitHub: https://github.com/ultralytics/mnist

https://ultralytics.com

WAVE deep learning for signal readout and reconstruction in full-waveform time-of-flight particle detectors.

GitHub: https://github.com/ultralytics/wave

https://ultralytics.com

Code accompanying the Bitbrain Open Access Sleep (BOAS) dataset: preprocessing, deep learning sleep staging, and technical validation.

Ce projet porte sur la conception d'une application de Computer Vision capable d'estimer l'âge d'une personne à partir d'une photographie.

L'objectif est d'explorer l'utilisation du Deep Learning appliqué aux images et de construire une chaîne allant du prétraitement des images jusqu'à l'inférence du modèle dans une application.

Travaux réalisés :

Préparation et organisation du dataset d'images. Prétraitement et normalisation des images. Mise en place du pipeline de préparation des données. Expérimentation d'une architecture de Deep Learning pour la prédiction de l'âge. Entraînement du modèle sur les données préparées. Évaluation des performances du modèle. Intégration du modèle dans une application permettant de réaliser une prédiction à partir d'une photographie.

Ce projet porte sur le développement d'un modèle de scoring bancaire destiné à prédire le risque associé à une demande de crédit à partir des données historiques de prêts du dataset Lending Club.

L'objectif est de construire une chaîne complète de Data Science, allant de l'analyse et de la préparation des données jusqu'à la modélisation prédictive et l'évaluation des performances.

Travaux réalisés :

Analyse exploratoire du dataset et étude des différentes variables disponibles. Nettoyage et préparation des données. Traitement des valeurs manquantes et des variables catégorielles. Sélection et transformation des variables pertinentes. Réalisation de Feature Engineering afin de construire des variables adaptées à la prédiction. Préparation des jeux de données pour l'entraînement et l'évaluation. Expérimentation de différents modèles de Machine Learning. Expérimentation d'un modèle de Deep Learning avec TensorFlow Évaluation des modèles à l'aide de métriques de classification. Analyse comparative des performances afin d'identifier l'approche la plus pertinente

The AI and the Automobile collection brings together multiple specifications that define how AI integrates into modern vehicle systems, treating the automobile as a software-defined platform where intelligence spans perception, control, navigation, and energy management. It emphasizes real-time performance, safety-critical architecture, and the transition from purely mechanical systems to continuously evolving software-driven mobility. Across the collection, the specs also describe how automotive AI should be built through open and interoperable systems with strong safety practices, including simulation, validation pipelines, and human-in-the-loop oversight to handle edge cases. Together, they frame vehicle intelligence as a layered system combining autonomy, redundancy, diagnostics, and secure update mechanisms to enable reliable and scalable deployment. https://roxanneardary.com/ai-and-the-automobile/

Bu proje, kapalı ve siyah hazneli bir geri dönüşüm kutusunda atıkları otomatik sınıflandıran bir derin öğrenme modeli geliştirmek için hazırlanmıştır. Hedef sınıflar: plastik, cam, kağıt, metal, karton ve çöp.