eb_jepa
Une bibliothèque open source pour l'apprentissage de représentations utilisant des architectures prédictives à encastrement conjoint basées sur l'énergie.
Apprenez des représentations pour la planification conditionnée par des images, des vidéos et des actions en utilisant les JEPA.
eb_jepa est une bibliothèque open source fournissant des exemples communautaires d'architectures prédictives à encastrement conjoint basées sur l'énergie (JEPA) de Meta AI Research. Elle comprend du code et des tutoriels pour l'apprentissage de représentations à partir d'images, de vidéos et de vidéos conditionnées par des actions, ainsi que des capacités de planification. Elle convient aux chercheurs en IA et aux spécialistes du machine learning en génie civil qui construisent des modèles du monde prédictifs.
Qu'est-ce que c'est
La bibliothèque propose des exemples autonomes pour Image JEPA, Video JEPA et Action-Conditioned Video JEPA. Elle prend en charge l'entraînement sur des images, la prédiction de représentations vidéo de la trame suivante et la modélisation du monde avec planification dans des environnements multi-pièces. Elle comprend une structuration de dossiers unifiée et des utilitaires de lancement SLURM pour la gestion de l'entraînement et des balayages d'hyperparamètres.
Pour qui
Elle convient aux ingénieurs et chercheurs en machine learning développant des modèles prédictifs et apprenant des représentations à partir de données visuelles. Elle ne convient pas aux professionnels du génie civil recherchant des applications BIM prêtes à l'emploi ou des logiciels pour utilisateurs finaux sans compétences en programmation Python.
Fonctionnalités clés
Image JEPA
Apprenez des représentations auto-supervisées à partir d'images non étiquetées sur des ensembles de données tels que CIFAR-10 avec évaluation de classification.
Video JEPA
Prédisez les représentations d'images suivantes de manière séquentielle à travers les trames vidéo.
Action-Conditioned Video
Construisez des modèles du monde et gérez des tâches de planification d'environnement à l'aide d'architectures vidéo conditionnées par des actions.
SLURM Integration
Lancez des tâches uniques ou des balayages complets d'hyperparamètres à l'aide de scripts SLURM intégrés et du suivi Weights & Biases.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Comprend des exemples autonomes pour les JEPA d'image, de vidéo et de vidéo conditionnée par des actions
- La structure de dossiers unifiée encode automatiquement les hyperparamètres clés pour éviter les collisions
- Le lanceur SLURM intégré prend en charge les balayages automatisés d'hyperparamètres et le calcul de moyenne des graines via Weights & Biases
- Utilise la gestion de paquets moderne uv aux côtés des environnements virtuels standard
Ses limites
- Les configurations par défaut sont optimisées pour les GPU H100 haut de gamme et nécessitent des ajustements de mémoire sur le matériel plus ancien
- Nécessite l'écriture et l'exécution de scripts Python avec configuration manuelle de l'environnement
- Les chemins d'ensembles de données et les répertoires de points de contrôle doivent être exportés manuellement via des variables de shell
Tarifs & licence
Gratuit sous licence Apache-2.0 sans option hébergée payante fournie. Le seul coût consiste à l'exécuter vous-même sur votre propre infrastructure de calcul GPU.
Missions pour francophones
876 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Utilisez-le, ou laissez-nous l'installer
FAQ
Quel matériel est requis pour exécuter les exemples d'entraînement ?
Les configurations par défaut sont optimisées pour les GPU H100, mais des GPU plus anciens comme l'A100 ou le V100 peuvent être utilisés en réduisant les tailles de lots.
Comment sont gérés les balayages d'hyperparamètres ?
Vous pouvez lancer des balayages complets définis dans des configurations YAML à l'aide du lanceur SLURM avec l'indicateur --full-sweep.
