Skip to content
KitploitKITPLOIT
أدواتالمدونة
Log in
إرسال
أدواتالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
Occ — تجزئة العناصر المحظورة عبر نمذجة ثنائية الطبقات واعية بالإطباق (ICME 2025) | Kitploit
أدوات/GitHubGitHub/ryh1218/occ
تعلم الآلةالأوراق والأبحاثأمن الذكاء الاصطناعي
GitHubryh1218/occ

Occ

تجزئة العناصر المحظورة عبر نمذجة ثنائية الطبقات واعية بالإطباق (ICME 2025)

عرض المستودع
639منذ 9 أشهرلم تتم المراجعة بعد
مشاركة

تجزئة الأصناف الممنوعة عبر النمذجة ثنائية الطبقات المدركة للإطباق (ICME 2025)

التنفيذ الرسمي بـ PyTorch لتجزئة الأصناف الممنوعة عبر النمذجة ثنائية الطبقات المدركة للإطباق.

رابط الورقة: IEEE, Arxiv.

البدء

المتطلبات

تم اختبار الكود بنجاح على لينكس مع Pytorch 2.1.2 و CUDA 11.8.

إذا لزم الأمر، قم بتثبيت numpy<2.0.0 (نستخدم 1.24.0):

conda create -n occ python=3.10
conda activate occ
pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
pip install -U openmim
mim install mmcv==2.1.0
conda install mpi4py
pip install -U transformers==4.38.1 wandb==0.16.3 einops pycocotools shapely scipy terminaltables importlib peft==0.8.2 mat4py==0.6.0
conda install importlib-metadata

تجهيز أوزان النموذج

قم بتنزيل أوزان SAM مسبقًا (مثل SAM-vit-large) وحدّث المسارات في 'convert_model_weights.py'. يمكن تنزيل الأوزان باستخدام السكربت التالي:

from transformers import SamModel
import os

hf_pretrain_name = "facebook/sam-vit-large"

cache_dir = f"{os.path.basename(hf_pretrain_name).replace('-', '_')}"
os.makedirs(cache_dir, exist_ok=True)

model = SamModel.from_pretrained(hf_pretrain_name, use_safetensors=False)
model.save_pretrained(cache_dir, safe_serialization=False)

بعد القيام بذلك، شغّل سكربت 'convert_model_weights.py' لتوليد الأوزان الأولية لـ Occluder Mask Decoder.

تجهيز مجموعات البيانات

قم بتنزيل مجموعات البيانات من الروابط التالية، لاحظ أن PIXray تم تحويلها إلى صيغة COCO:

PIDray-A

PIXray-A

دعم مجموعات البيانات المخصصة

استخدم 'convert_occlusion_annotation.py' لتوليد تعليقات الإطباق (occlusion annotations) لمجموعات البيانات بصيغة COCO. لتوليد مجموعات البيانات الخاصة بك مع تعليقات الإطباق، عدّل المسارات في السكربت قبل التنفيذ.

تعديل ملفات الإعدادات

حدّث المسارات في ملفي الإعدادات 'configs/occlusion/pid.py' و 'configs/occlusion/pix.py' وفقًا لإعداداتك.

التدريب والاختبار

تم اختبار كودنا بنجاح على:

  • 1 × NVIDIA A800 Tensor Core GPU

  • 8 × NVIDIA GeForce RTX 4090 GPUs

لتدريب نموذجنا:

# Single GPU, PIDray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pid.py 1
# Single GPU, PIXray-A
CUDA_VISIBLE_DEVICES=0 bash ./tools/dist_train.sh configs/occlusion/pix.py 1

# Multiple GPUs, PIDray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pid.py 8
# Multiple GPUs, PIXray-A
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 bash ./tools/dist_train.sh configs/occlusion/pix.py 8

لاختبار نموذجنا، اضبط 'CHECKPOINT_FILE' على مسار نقطة التفتيش الخاصة بك، وقم بتهيئة 'GPU_NUM' ليتوافق مع إعداد وحدات المعالجة الرسومية لديك:

# PIDray-A
bash ./tools/dist_test.sh configs/occlusion/pid.py {CHECKPOINT_FILE} {GPU_NUM}
# PIXray-A
bash ./tools/dist_test.sh configs/occlusion/pix.py {CHECKPOINT_FILE} {GPU_NUM}

بالإضافة إلى ذلك، نوفر نقاط تفتيش النموذج في الرابط التالي: Checkpoints

شكر وتقدير

يعتمد هذا التنفيذ على:

  • RSPrompter

  • MMDetection

نشكرهم بصدق على مساهماتهم.

استشهد بهذه الورقة

@inproceedings{ren2025prohibited,
  title={Prohibited Items Segmentation via Occlusion-aware Bilayer Modeling},
  author={Ren, Yunhan and Li, Ruihuang and Liu, Lingbo and Chen,  Changwen},
  booktitle={2025 IEEE International Conference on Multimedia and Expo (ICME)},
  year={2025},
}
تنزيل الأداة

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 مجموعة أدوات OSINT المثالية: رسم بياني للتحقيق، وتقييم الثقة، وعائلات الأسماء المستعارة، وخريطة، وخط زمني، وتقارير. 49 وحدة، وأكثر من 400 موقع، دون الحاجة إلى مفاتيح API.

    500
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # تطبيق GhostLock للتنفيذ بنقرة واحدة (CVE-2026-43499)

    466
  • 3

    ARTEX

    baarai/artex

    منصة اختبار اختراق مستقلة متعددة الوكلاء تعتمد على LLM، مع وكلاء تخطيط وتنفيذ، ومخططات للأصول والاستكشاف، وتسجيل حركة مرور MITM، وإعادة اختبار الثغرات.

    339
  • 4

    opencti

    opencti-platform/opencti

    منصة مفتوحة لاستخبارات التهديدات السيبرانية

    317
  • 5

    redforge

    cybersecurity91/redforge

    مجموعة أدوات الفريق الأحمر في المتصفح مع 102 أداة دون اتصال للاستطلاع، وتوليد الحمولات، وهجمات بيانات الاعتماد، والتشفير، والترميز، وإعداد تقارير المهام.

    307
  • 6

    estorides

    grisuno/estorides

    يجمع أكثر من 99 مصدرًا مجانيًا من مصادر OSINT بالتوازي، ويحوّل الكيانات إلى رسم بياني معرفي، ويصدّر بصيغة STIX 2.1 أو MISP أو GraphML مع تحليل بمساعدة LLM.

    294

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →