Menu
Colección masiva de modelos ML pre-entrenados — YOLO, segmentación, detección, clasificación para visión por computador.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Catálogo de Addy Osmani de skills engineering para AI coding agents — 8 slash commands mapeados al SDLC (spec → plan → build → test → review → ship).
Generación de informes y documentos profesionales mediante LLM. Arquitectura prompt→LLM→HTML capítulo, plantillas por sección, integración con datos de appState, y patrón demo interactivo. Aplicable a PMST, informes técnicos, auditorías, y cualquier documento estructurado.
AI Engineering Hub — catálogo de proyectos y tutoriales de ingeniería de IA con Jupyter notebooks.
AI Website Cloner — genera clonaciones de sitios web completas con IA desde una URL.
AutoScraper — scraping web automático con IA, aprende patrones de selección y extrae datos sin código.
Baidu Unlimited OCR — OCR gratuito de alta calidad sin límites de uso.
| name | pinto-model-zoo |
| description | Colección masiva de modelos ML pre-entrenados — YOLO, segmentación, detección, clasificación para visión por computador. |
| version | 1.0.0 |
| tags | ["models","ML","CV","YOLO","segmentation","detection","pretrained"] |
Colección masiva de modelos ML pre-entrenados — YOLO, segmentación, detección, clasificación. 4.4k⭐.
github.com/PINTO0309/PINTO_model_zoo# Clonar el repositorio completo (es grande)
git clone --depth 1 https://github.com/PINTO0309/PINTO_model_zoo.git
cd PINTO_model_zoo
PINTO_model_zoo/
├── 00_YOLOv3/
├── 01_YOLOv5/
├── 02_YOLOv7/
├── 03_YOLOv8/
├── 04_YOLOv10/
├── segment_anything_model/
├── real_time_object_detection/
└── ...
# Ejemplo: Cargar modelo YOLOv8 ONNX
import cv2
import numpy as np
# Cargar modelo
net = cv2.dnn.readNet("models/YOLOv8/yolov8n.onnx")
# Preparar imagen
img = cv2.imread("input.jpg")
blob = cv2.dnn.blobFromImage(img, 1/255.0, (640, 640), swapRB=True)
net.setInput(blob)
# Inferencia
output = net.forward()
# Parsear resultados
boxes = output[0][0]
roboflow/rf-detr para detección con datasets propiosfast-alpr — modelos de reconocimiento de matrículascomputer-vision pipelines--depth 1