#object-detection Repositories
Entdecke 296 aktive Open-Source-GitHub-Repositories, die mit #object-detection getaggt sind und insgesamt 1,201,862 Sterne gesammelt haben (durchschnittlich 4,060 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ultralytics/ultralytics mit 63,640 Sternen.
Insgesamt 296 Repositories
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Bildklassifizierung, Posenschätzung und Objektverfolgung
Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
LocalAI ist der Open-Source-KI-Motor. Führen Sie jedes Modell aus – LLMs, Vision, Sprache, Bild, Video – auf jeder Hardware aus. Keine GPU erforderlich.
Detectron2 ist eine Plattform für Objekterkennung, Segmentierung und andere visuelle Erkennungsaufgaben.
Deep Learning für Bildverarbeitung, einschließlich Klassifikation und Objekterkennung usw.
Mask R-CNN für Objekterkennung und Instanzsegmentierung mit Keras und TensorFlow
Eine kuratierte Liste von großartigen Ressourcen für Computer Vision
CVAT ist eine führende Datenannotationsplattform für Bild-, Video-, Audio- und 3D-Datensätze. Sie bietet Open-Source-, Cloud- und Enterprise-Produkte sowie Labeling-Dienste mit KI-gestützter Annotation, Qualitätssicherung, Teamzusammenarbeit, Analysen und APIs für Entwickler.
Dies ist eine offizielle Implementierung für "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Object-Detection-Toolkit basierend auf PaddlePaddle. Es unterstützt Objekterkennung, Instanzsegmentierung, Mehrfachobjektverfolgung und Echtzeit-Multi-Person-Keypoint-Erkennung.
Erweiterte KI-Erklärbarkeit für Computer Vision. Unterstützung für CNNs, Vision Transformers, Klassifikation, Objekterkennung, Segmentierung, Bildähnlichkeit und mehr.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Papers/Code/Interpretationen/Live-Übertragungen Sammlung, von Jimu Team zusammengestellt
Das Repository stellt Code für die Durchführung von Inferenz und Finetuning mit dem Meta Segment Anything Model 3 (SAM 3) bereit, Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie man das Modell verwendet.
Eine Liste von Papieren zur Objekterkennung mit Deep Learning.
X-AnyLabeling: Eine schlanke, effiziente und einheitliche plattformübergreifende Desktop-Anwendung zur Annotation von Texten, Bildern, Videos, Punktwolken und multimodalen Daten. Sie kombiniert vielseitige integrierte Werkzeuge mit modernsten KI-Modellen und flexiblen Exportmöglichkeiten in mehreren Formaten.
PyTorch-Implementierung von YOLOv3, YOLOv3-SPP und YOLOv3-tiny für Echtzeit-Objekterkennung mit Training, Validierung, Inferenz und Export in verschiedene Formate.
YOLOX ist ein leistungsstarkes ankerfreies YOLO, das yolov3~v5 übertrifft und von MegEngine, ONNX, TensorRT, ncnn und OpenVINO unterstützt wird. Dokumentation: https://yolox.readthedocs.io/
Techniken für Deep Learning mit Satelliten- und Luftbildern
RF-DETR ist eine von Roboflow entwickelte Architektur für Echtzeit-Objekterkennung und -segmentierung, SOTA auf COCO, die für das Fine-Tuning konzipiert wurde. [ICLR 2026]
Best Practices, Code-Beispiele und Dokumentation für Computer Vision.
Eine Sammlung von Tutorials zu hochmodernen Computer-Vision-Modellen und -Techniken. Entdecken Sie alles von grundlegenden Architekturen wie ResNet bis hin zu Spitzenmodellen wie RF-DETR, YOLO11, SAM 3 und Qwen3-VL.
[ECCV 2024] Offizielle Implementierung des Papers "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"
Hello AI World: Leitfaden zum Bereitstellen von Deep-Learning-Inferenznetzwerken und Deep-Vision-Primitiven mit TensorRT und NVIDIA Jetson.
Eine Python-Bibliothek, die entwickelt wurde, um Entwickler zu befähigen, Anwendungen und Systeme mit eigenständigen Computer-Vision-Fähigkeiten zu erstellen
Erleben, Lernen und Codieren Sie die neuesten bahnbrechenden Innovationen mit Microsoft AI
Einige Skripte zur Zielerkennung und Code mit Verbesserungsideen; bitte im readme.md nachlesen.
Die nächste Plattform von OpenMMLab für die allgemeine Erkennung von 3D-Objekten.
NanoDet-Plus⚡Super schnelles und leichtgewichtiges Anker-freies Objekterkennungsmodell. 🔥Nur 980 KB (int8) / 1,8 MB (fp16) und läuft mit 97 FPS auf Mobiltelefonen🔥
Ein einheitliches Toolkit für die Deep-Learning-basierte Dokumentenbildanalyse
Framework-unabhängige geslicete/geteilte Inferenz + interaktive Benutzeroberfläche + Fehleranalyse-Diagramme
Häufig gestellte Fragen
Welches ist das beliebteste #object-detection-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#object-detection-Projekt auf GitHub ist ultralytics/ultralytics mit 63,640 Sternen. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Bildklassifizierung, Posenschätzung und Objektverfolgung
Welche Programmiersprachen werden in #object-detection-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #object-detection-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #object-detection-Repositories berechnet?
Wir verfolgen 296 aktive Open-Source-Repositories, die mit #object-detection getaggt sind (500+ Sterne), mit insgesamt 1,201,862 Sternen und durchschnittlich 4,060 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.