下拉刷新
机器学习
分类

这里是按照「分类」阅读往期的 HelloGitHub 月刊内容, 您目前在查看 HelloGitHub 机器学习 集合。

Star 1.1w
Fork 994

数据分析对话化的开源库。该项目将 AIGC 和数据分析相结合,让用户可以通过自然语言向自己的数据进行提问,并获得相应的回答。首先,需要将数据以 pandas 的方式进行导入,然后配置好 OpenAI TOKEN 就可以开始通过对话和绘制图表等方式与数据进行交互,而无需编写代码。

import pandas as pd from pandasai import SmartDataframe # Sample DataFrame df = pd.DataFrame({ "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"], "gdp": [19294482071552, 2891615567872, 2411255037952, 3435817336832, 1745433788416, 1181205135360, 1607402389504, 1490967855104, 4380756541440, 14631844184064], "happiness_index": [6.94, 7.16, 6.66, 7.07, 6.38, 6.4, 7.23, 7.22, 5.87, 5.12] }) # Instantiate a LLM from pandasai.llm import OpenAI llm = OpenAI(api_token="YOUR_API_TOKEN") df = SmartDataframe(df, config={"llm": llm}) df.chat('Which are the 5 happiest countries?')
Star 8.3k
Fork 638

AI 生成各种风格人类照片的工具。该项目可以通过上传的人物照片,生成任意风格的人物图像,如写实、卡通、艺术等风格,可用于生成别具一格的头像。

PhotoMaker
Star 8.8k
Fork 723

让 AI 生成的图动起来。这是一款可以在 Stable Diffusion 中制作动图的库,支持将大多数开源模型转换为动画生成器。让原本通过文字生成的图片,变成 gif 图片动起来。

AnimateDiff
Star 3.8k
Fork 246

轻松 DIY 图片文字,定制你的创意设计。该项目提供了文字生成和文字编辑两种模式,它能够根据提示词生成图文融合的图片,并确保文字的准确性,还支持对上传图片中的文字进行编辑后,重新生成图片。支持中文、英语、日语、韩语等多语言,适用于海报设计、Logo 设计、创意涂鸦、表情包等场景。

AnyText
Star 5.7k
Fork 630

开源的视频翻译和配音工具。该项目可以将视频从一种语言翻译成指定语言的视频,并自动生成和添加对应语言的字幕和配音。

pyvideotrans
Star 8.9k
Fork 625

实时交互式 AIGC 图片。该项目能以惊人的速度生成 AIGC 图像,单张 RTX4090 显卡可达 100 张/秒。它通过流批处理简化数据处理,采用残差无分类器(RCFG)减少计算冗余,随机相似性过滤器提高 GPU 利用率,并通过优化 IO 队列实现并行处理。同时,利用多种模型加速工具,实现爆炸式地提升 AIGC 图像速度。

StreamDiffusion
Star 6.3k
Fork 515

一条命令自动移除图像背景。该项目通过 AI 技术,可自动移除图片和视频中的背景。

backgroundremover
Star 7.3k
Fork 1.1k

机器学习路线图。这份机器学习思维导图,包含了机器学习相关的问题、学习步骤、工具、底层数学知识、教程资源等,为如何学习机器学习指出方向。

machine-learning-roadmap
Star 6.5k
Fork 567

通过强化学习训练 AI 玩 Pokemon。该项目使用 Python + RL 从零训练了一个玩「宝可梦红」的 AI,同时作者还提供了配套的讲解视频,以及如何在本地运行和自定义训练的教程,快来上手试试吧!

PokemonRedExperiments
Star 1.4w
Fork 1.1k

计算机视觉 AI 工具库。该项目简化了对象检测、分类、标注、跟踪等计算机视觉的开发流程。开发者仅需加载数据集和模型,就能轻松实现对图像和视频进行检测、统计某区域的被检测数量等操作。

import cv2 import supervision as sv from ultralytics import YOLO image = cv2.imread(...) model = YOLO('yolov8s.pt') result = model(image)[0] detections = sv.Detections.from_ultralytics(result) print(len(detections)) # 5
supervision