Este é o aplicativo Linux chamado MoCo v3, cuja versão mais recente pode ser baixada como moco-v3sourcecode.tar.gz. Ele pode ser executado online no provedor de hospedagem gratuita OnWorks para estações de trabalho.
Baixe e execute online este aplicativo chamado MoCo v3 com OnWorks gratuitamente.
Siga estas instruções para executar este aplicativo:
- 1. Baixe este aplicativo em seu PC.
- 2. Entre em nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que você deseja.
- 3. Carregue este aplicativo em tal gerenciador de arquivos.
- 4. Inicie o emulador OnWorks Linux online ou Windows online ou emulador MACOS online a partir deste site.
- 5. No sistema operacional OnWorks Linux que você acabou de iniciar, acesse nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que deseja.
- 6. Baixe o aplicativo, instale-o e execute-o.
CAPTURAS DE TELA:
MoCo v3
DESCRIÇÃO:
O MoCo v3 é uma reimplementação em PyTorch do Momentum Contrast v3 (MoCo v3), o framework de aprendizagem autossupervisionada de última geração do Facebook Research para aprendizagem de representação visual usando os backbones ResNet e Vision Transformer (ViT). Originalmente desenvolvido em TensorFlow para TPUs, esta versão reproduz fielmente os resultados do artigo em GPUs, ao mesmo tempo em que oferece uma interface PyTorch acessível e escalável. O MoCo v3 introduz melhorias para o treinamento de ViTs autossupervisionados, combinando aprendizagem contrastiva com arquiteturas baseadas em transformadores, alcançando um forte desempenho de ajuste fino linear e ponta a ponta em benchmarks do ImageNet. O repositório suporta treinamento distribuído multinó, precisão mista automática e escalonamento linear de taxas de aprendizagem para regimes de lotes grandes. Também inclui scripts para pré-treinamento autossupervisionado, classificação linear e ajuste fino dentro do framework DeiT.
Recursos
- Compatível com ImageNet e benchmarks de visão padrão para transferência de aprendizagem
- Configurável por meio de sinalizadores de linha de comando com hiperparâmetros escaláveis e configurações de lote
- Scripts integrados para pré-treinamento autossupervisionado, avaliação linear e ajuste fino de DeiT
- Obtém resultados sólidos no ImageNet (por exemplo, 74.6% linear top-1 no ResNet-50, 83.2% ViT-B ajustado)
- Suporta treinamento distribuído multi-GPU em larga escala com precisão mista
- Implementação PyTorch do MoCo v3 auto-supervisionado para modelos ResNet e ViT
Linguagem de Programação
Python
Categorias
Este é um aplicativo que também pode ser obtido em https://sourceforge.net/projects/moco-v3.mirror/. Ele foi hospedado no OnWorks para ser executado online da maneira mais fácil em um de nossos sistemas operacionais gratuitos.