MLinfo | 機械学習・AI論文まとめ

netdata — The fastest path to AI-powered full stack observability, even for lean teams.

netdataは、チームに関係なくAIパワーで全システム観察できる最速のパスを提供している。

機械学習教師あり学習画像

用途: 全システム観察
難易度: Easy
コスト: Medium

コンピュータビジョン物体検出分類検出セグメンテーション

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

ultralyticsはYOLO(You Only Look Once)の技術を使用したオブジェクト検出ライブラリで、高い精度を提供している。

用途: オブジェクト検出
難易度: Easy
コスト: Low

streamlit — Streamlit — A faster way to build and share data apps.

streamlitはStreamlitライブラリを使って、データアプリを作成・共有することができる。

機械学習教師あり学習画像

用途: データアプリ作成
難易度: Easy
コスト: Medium

コンピュータビジョン物体検出分類セグメンテーション画像

label-studio — Label Studio is a multi-type data labeling and annotation tool with standardized output format

データラベル化と注釈化を行うためのツールです。

用途: データラベル化ツール
難易度: Easy
コスト: Low

unsloth — Local UI to run and train LLMs and diffusion models. Supports GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX and more.

Unsloth Studioは、オープンモデルのトレーニングと実行を支援するWebUIです。このライブラリは、Gemma4、Qwen3.5などのオープンモデルのテストとトレーニングを支援するために使われます。

自然言語処理大規模言語モデル生成画像テキスト

用途: オープンモデルのトレーニングと実行
難易度: Easy
コスト: High

深層学習Transformer画像テキストマルチモーダル

sglang — SGLang is a high-performance serving framework for large language models and multimodal models.

SGLangは、大規模言語モデルのサービングフレームワークです。このライブラリは、高性能なサービスフレームワークで、大規模言語モデルのサービングをサポートしています。

用途: 大規模言語モデルのサービングフレームワーク
難易度: Easy
コスト: High

aim — Aim 💫 — An easy-to-use & supercharged open-source experiment tracker.

skypilotは、AIワークロードを任意のAIインフラストラクチャで実行、管理、スケールさせることができるプラットフォームです。

MLOps実験管理画像

用途: AIワークフローの管理
難易度: Easy
コスト: Medium

LightX2V — Lightweight Image Video Action Generation Inference Framework

zenmlは、データパイプラインからエージェントまで、AIプラットフォームです。

深層学習軽量化・量子化生成画像動画

用途: AI推論を軽量化したインフラ
難易度: Easy
コスト: High

SimpleTuner — A general fine-tuning kit geared toward image/video/audio diffusion models.

画像やビデオやオーディオディフュージョンモデルのファインチューニングを行うための、汎用的なファインチューニングキット。

自然言語処理ファインチューニング画像音声動画

用途: ディフュージョンモデルのファインチューニング
難易度: Easy
コスト: High

品質予測/異常検知深層学習Transformer分類画像

Two-Layer Random ReLU Networks Can Separate Disjoint Classes

Set separation by continuous linear functionals is fundamental in functional analysis and convex optimization

用途: 分類
難易度: Hard
コスト: Low

Impact of Input Resolution in Mammographic Mass Detection: A Controlled Multi-Architecture Study

Deep-learning-based mass detectors usually downsample mammograms, trading fine image detail for lower computat

コンピュータビジョンセグメンテーション検出画像

用途: 検出
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション画像テキストマルチモーダル

Say the Same, Act Differently: Diagnosing and Steering Text-Action Divergence in Reasoning VLAs

Reasoning vision-language-action (VLA) models pair physical control with natural-language rationales that supe

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Co-Occurrence Priors Override Visual Spatial Evidence: Understanding False Alarms in Vision-Language Models for Construction Struck-By Hazard Detection

Vision-language models (VLMs) increasingly support construction hazard monitoring, yet their frequent false al

深層学習Transformer分類検出画像

用途: 分類
難易度: Hard
コスト: High

表形式向き説明可能CPUで試しやすい強化学習方策勾配 (PPO / A3C)分類画像テキスト

Statistical Machine Learning for Medicinal Plant Leaves Classification

Medicinal plants are usually identified using practitioners' experience, but reproducible, image based methods

用途: 分類
難易度: Hard
コスト: High

FlowTranslator: Training-Free In-Image Machine Translation with Flow-Based Editing

In-image machine translation (IIMT) replaces text in an image with its translation while preserving the surrou

自然言語処理大規模言語モデル生成翻訳画像

用途: 生成
難易度: Hard
コスト: High

MI向き品質予測/異常検知自然言語処理RAG画像テキスト動画

AceAction-5M: Hierarchical Goals for Generalist Action Learning Across 3D Game Worlds

Video games provide a practical setting for collecting vision-language-action (VLA) data, whose acquisition in

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

DualWorldBench: Can Agents Plan Deliveries across Symbolic and Grounded Worlds?

Recent multimodal agents have shown promising progress in embodied planning and web interaction. However, exis

深層学習軽量化・量子化画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理大規模言語モデル画像テキストマルチモーダル

DiMuRe: Diagnosis-Guided Multilevel Recovery for Robotic Task Execution

Disturbances can invalidate the conditions required by a robot's next action even when much of its task progra

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Agentic Path Maps: Exposing an Agent's Traversal Through the Garden of Forking Paths

When an AI agent executes an underspecified task, it embeds choices that may contradict unarticulated user con

深層学習Transformer生成画像テキスト

用途: 生成
難易度: Hard
コスト: Medium

説明可能深層学習Transformer分類検出生成

Generalizable AI-Generated Image Detection with Embedding-Space Explanations

AI-generated images have reached unprecedented realism, while instruction-driven AI editors re-synthesize imag

用途: 分類
難易度: Hard
コスト: High

Weather Adaptive Autonomous Driving

Camera object detectors lose recall in rain, fog, snow and sand, and the confidence threshold at which a detec

コンピュータビジョン物体検出検出画像

用途: 検出
難易度: Hard
コスト: Medium

コンピュータビジョンセグメンテーション画像テキストマルチモーダル

GroundSeek-CXR: Retrospective Evaluation-Guided Active Observation Framework for Multi-Label Chest Radiography Diagnosis

Chest radiography (CXR) diagnosis is critical for thoracic disease assessment, yet challenged by the need to i

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル生成回帰画像

Weight-Space Programming for Improving Image-Restoration Diffusion Models: Technical Conjectures and a Recursive Improvement Loop

Can an LLM directly edit the weights of a diffusion-based image-restoration model to \emph{improve} restoratio

用途: 生成
難易度: Hard
コスト: High

Sketch-Omni: Instance-Level Sketch-Based Visual Prompting for Perception MLLMs

Promptable perception, from GroundingDINO to Rex-Omni, puts one model behind one prompt interface and returns

自然言語処理大規模言語モデル検出画像テキスト

用途: 検出
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション画像半教師あり

ProGeo-RC: Prototype-guided Semantic Reliability and Geometric Error Calibration for Semi-supervised Cardiac Image Segmentation

Semi-supervised medical image segmentation aims to train reliable segmentation models using limited labeled da

用途: セグメンテーション
難易度: Hard
コスト: Medium

少数データ向き自然言語処理RAG分類生成セグメンテーション

Improving Diffusion-Based Augmentation for Data-Scarce Image Classification via Mask-Guided Reference Attention and Repulsive Noise Optimization

Diffusion-based data augmentation has emerged as a powerful strategy for addressing data-scarce image classifi

用途: 分類
難易度: Hard
コスト: High

深層学習Transformerセグメンテーション画像

LINDA: Low Resource Foot Ulcer Segmentation using Local Similarity and Iterative Neural Dynamics

Foot ulcers are a leading cause of lower limb amputation, and the highest burden often falls on low and middle

用途: セグメンテーション
難易度: Hard
コスト: Medium

コンピュータビジョンセグメンテーション画像テキスト半教師あり

Reliability-Role Collaborative Learning for Semi-Supervised Cardiac Image Segmentation

Semi-supervised cardiac image segmentation aims to exploit abundant unlabeled images together with limited ann

用途: セグメンテーション
難易度: Hard
コスト: High

深層学習Transformer分類検出セグメンテーション

LiSA: Linear Stochastic Attention for Long-Range Visual Modeling

Self-attention has become the standard for modern sequence modeling, enabling Transformers to model long-range

用途: 分類
難易度: Hard
コスト: High

SettleSplat: Monocular Gaussian Mapping under In-View Scene Changes

Online 3D Gaussian mapping enables fast and high-fidelity novel view synthesis, with broad applications in aug

コンピュータビジョン3D・点群生成画像3D

用途: 生成
難易度: Hard
コスト: High

An automated photometric pipeline for measuring the corotation radius of spiral galaxies

The corotation radius R_CR of a spiral galaxy marks the radius where the angular speed of the spiral pattern m

コンピュータビジョンセグメンテーション画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

CHROMA-MILL: Joint Low-Light Enhancement and White Balance under Colored Illumination

Capturing an image in a low-light environment produces a weak, noisy sensor signal. Low-light image enhancemen

センサ/時系列自然言語処理埋め込み・検索画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

VARP: A Visual Adaptive Rearrangement Planner for Non-Monotone Object Rearrangement Planning

Object rearrangement planning in cluttered environments is often non-monotone, requiring objects to be tempora

強化学習画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

コンピュータビジョン物体検出分類検出セグメンテーション

supervision — We write your reusable computer vision tools. 💜

supervisionは、機械学習技術を活用して、ユーザー独自のコンピュータビジョンツールを作成することができる。

用途: オリジナルコンピュータビジョンツール
難易度: Easy
コスト: High

gradio — Build and share delightful machine learning apps, all in Python. 🌟 Star to support our work!

Pythonでマシンラーニングアプリを作成・共有することができるライブラリです。

強化学習方策勾配 (PPO / A3C)画像

用途: マシンラーニングアプリ作成
難易度: Easy
コスト: Medium

qdrant — Qdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/

このリポジトリでは、データとAIアルゴリズムを製品化するためのプラットフォームであるTaipyを提供しています。

自然言語処理埋め込み・検索生成画像

用途: AIアプリケーションを製品化するためのプラットフォーム
難易度: Easy
コスト: Low

opencv — Open Source Computer Vision Library

このリポジトリでは、64MパラメータのGPTを完全にTrainingし、2時間以内に完成させる手法を提供します。

深層学習画像

用途: 大モデル 2時間で完全にTraining
難易度: Easy
コスト: High

diffusers — 🤗 Diffusers: State-of-the-art diffusion models for image, video, and audio generation in PyTorch.

.diffusion モデルのライブラリ。画像・動画・音声生成に利用可能。

生成AI拡散モデル生成画像テキスト

用途: 画像・動画・音声生成
難易度: Easy
コスト: High

品質予測/異常検知コンピュータビジョン物体検出分類検出セグメンテーション

cvat — CVAT is a leading data annotation platform for image, video, audio, and 3D datasets. It offers open-source, cloud, and enterprise products, as well as labeling services, with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.

CVATは、機械学習用の業界標準のデータエンジンです。さまざまなスケールのチームが使用し、さまざまなスケールのデータに対応しています。

用途: データのラベル付けと管理
難易度: Easy
コスト: High

コンピュータビジョンセグメンテーション分類画像動画

labelme — Image annotation with Python. Supports polygon, rectangle, circle, line, point, and AI-assisted annotation.

イメージを注釈するツール。ポリゴン、長方形、円、線、点などを注釈することができる。

用途: イメージ注釈
難易度: Easy
コスト: High

Meshroom — Node-based Visual Programming Toolbox

ノードベースのビジュアルプログラミングツールです。

コンピュータビジョン3D・点群画像テキスト3D

用途: ビジュアルプログラミングツール
難易度: Easy
コスト: High

kornia — 🐍 Geometric Computer Vision Library for Spatial AI

このリポジトリでは、金融分野に適したLarge Language Modelsを提供しています。

コンピュータビジョン画像

用途: 金融用のLarge Language Models
難易度: Easy
コスト: High

rerun — Visualize, query, and stream to train on multimodal robotics data.

データをロギング・ストーリング・クエリして視覚化できるSDKです。

コンピュータビジョンマルチモーダル画像

用途: データロギングおよび視覚化
難易度: Easy
コスト: High

品質予測/異常検知機械学習教師あり学習分類検出画像

fiftyone — Refine high-quality datasets and visual AI models

FiftyOneは、データセットの精査とAIモデル可視化を支援するライブラリです。このライブラリは、データセットの品質を高め、AIモデルを可視化するのを支援するために使用できます。

用途: データセットの精査とAIモデル可視化
難易度: Easy
コスト: Low

OpenRLHF — An Easy-to-use, Scalable and High-performance Agentic RL Framework based on Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)

OpenRLHFは、Ray上に構築された強化学習フレームワークです。このフレームワークは、PPO、DAPO、REINFORCE++など、様々な強化学習アルゴリズムをサポートしています。

深層学習Transformer画像

用途: 強化学習フレームワーク
難易度: Easy
コスト: High

Sana — SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer

SANAは、高解像度画像生成モデルSANAを紹介する本研究であり、低計算コストで優れた高解像度画像を生成できる。

深層学習Transformer生成画像テキスト

用途: 高解像度画像合成
難易度: Easy
コスト: High

weaviate — Weaviate is an open-source vector database that stores both objects and vectors, allowing for the combination of vector search with structured filtering with the fault tolerance and scalability of a cloud-native database.

ベクトル検索と構造化されたフィルタリングを組み合わせたベクターデータベースです。

MLOps生成画像

用途: ベクターデータベース
難易度: Easy
コスト: Medium

pytorch-image-models — The largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more

PyTorchで使用できる画像エンコーダとバックボーンの最大のコレクションです。トレーニング、評価、推論など様々なスクリプトや事前の重み付きデータが含まれます。

深層学習Transformer分類画像

用途: PyTorchで使用できる画像エンコーダとバックボーン
難易度: Easy
コスト: High

langextract — A Python library for extracting structured information from unstructured text using LLMs with precise source grounding and interactive visualization.

LLMを使用して、自然言語処理における情報抽出を行うためのPythonライブラリです。

自然言語処理大規模言語モデル画像テキスト

用途: 自然言語処理情報抽出
難易度: Easy
コスト: High

表形式向き自然言語処理大規模言語モデル画像テキスト表形式

unstructured — Convert documents to structured data effortlessly. Unstructured is open-source ETL solution for transforming complex documents into clean, structured formats for language models. Visit our website to learn more about our enterprise grade Platform product for production grade workflows, partitioning, enrichments, chunking and embedding.

ドキュメントを構造化するために使えるオープンソースのETLソリューション。

用途: ドキュメントの構造化
難易度: Easy
コスト: High