Menú
Colección masiva de modelos ML pre-entrenados — YOLO, segmentación, detección, clasificación para visión por computador.
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
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