#object-detection Repositories
Insgesamt 296 Repositories
[CVPR 2025] Offizielle PyTorch-Implementierung von MambaVision: Ein hybrides Mamba-Transformer-Vision-Backbone
Eine Open-Source-Bibliothek und ein Framework für Deep Learning auf Satelliten- und Luftbildern.
Ein Reasoning-Framework mit vielen nützlichen Demos gleichzeitig. Wenn du es gut findest, gib ihm bitte einen Stern
Dies ist ein Quellcode für yolo3-pytorch, der zum Trainieren Ihres eigenen Modells verwendet werden kann.
NVIDIA DeepStream SDK 8.0 / 7.1 / 7.0 / 6.4 / 6.3 / 6.2 / 6.1.1 / 6.1 / 6.0.1 / 6.0 / 5.1 Implementierung für YOLO-Modelle
Code-Veröffentlichung für "Erkennung von zwanzigtausend Klassen mit bildbezogener Überwachung".
Lerne autonomes Fahren, indem du es selbst entwickelst: mit Python-Simulationen und einem frei zugänglichen Lehrbuch, in dem das System Schritt für Schritt wächst. Tausche Lokalisierungs-, Planungs- und Steuerungsalgorithmen im selben System aus und vergleiche sie.
Ein moderner, webbasierter Foto-Management-Server. Führen Sie ihn auf Ihrem Heimserver aus und er ermöglicht es Ihnen, das passende Foto aus Ihrer Sammlung auf jedem Gerät zu finden. Intelligentes Filtern wird durch Objekterkennung, Gesichtserkennung, Standortbewusstsein, Farbanalyse und weitere ML-Algorithmen ermöglicht.
fastdup ist ein leistungsstarkes, kostenloses Tool, das entwickelt wurde, um schnell wertvolle Einblicke aus Bild- und Videodatensätzen zu gewinnen. Es hilft, die Qualität von Bildern und Labels zu verbessern, während die Kosten für den Datenbetrieb erheblich gesenkt werden, und das alles bei unübertroffener Skalierbarkeit.
Core ML Model Zoo für iOS/macOS — PyTorch-Modelle, konvertiert in einsatzbereite .mlpackage-Dateien, jeweils mit Konvertierungsskript und SwiftUI-Beispiel-App. Zugehörige Repositories decken Apples Core AI-Framework (iOS/macOS 27) und On-Device-LLMs ab.
Sammlung von Methoden zur Zusammenführung von Boxen aus verschiedenen Objekterkennungsmodellen, einschließlich der Implementierung der "Weighted boxes fusion (WBF)"-Methode.
Leistungsstarke On-Device-KI-Inferenzbibliothek für React Native mit Fokus auf Datenschutz, angetrieben von PyTorchs ExecuTorch-Runtime
🚀🚀🚀 Eine Sammlung einiger großartiger öffentlicher YOLO-Objekterkennungs-Serienprojekte und der zugehörigen Objekterkennungsdatensätze.
All-in-One-Training für Visionsmodelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Feinabstimmung, Destillation.
Implementierung von „YOLOv13: Echtzeit-Objekterkennung mit Hypergraphen-verbesserter adaptiver visueller Wahrnehmung“.
Open-Source-Plattform für die Annotation multimodaler Daten mit KI-Auto-Annotation-Unterstützung.
Verfolgung und Sammlung von Arbeiten/Projekten/anderen Dingen im Zusammenhang mit „Segment Anything“.
Aufenthaltsbestimmung für niedrig gelegene detektierbare Objekte. Der SOTA in FOSS KI für Drohnen!
Implementierung von Textauswahl, Zeichenauswahl, Auswahl und Tipp-Captcha-Erkennung, trainiert mit PyTorch
Dies ist ein Pytorch-Repository von YOLOv4, attentive YOLOv4 und mobilenet YOLOv4 mit PASCAL VOC und COCO
[CVPR 2025] DEIM: DETR mit verbessertem Matching für schnelle Konvergenz
Eine PyTorch-Implementierung von EfficientDet, die der ursprünglichen Google-Implementierung treu bleibt, mit portierten Gewichten
Ein codefreies, auf PyTorch basierendes Framework für reproduzierbare Deep-Learning-Studien. PyTorch-Ökosystem. 🏆 Bislang wurden 28 Methoden zur Wissensdestillation implementiert, die auf TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI usw. vorgestellt wurden. 🎁 Trainierte Modelle, Trainingsprotokolle und Konfigurationen stehen zur Verfügung, um die Reproduzierbarkeit sicherzustellen und Benchmarking zu ermöglichen.
Offizieller Code für "FeatUp: Ein modellunabhängiges Framework für Merkmale jeder Auflösung" ICLR 2024
Ein Tutorial, das zeigt, wie man TensorFlow Lite-Objekterkennungs-Modelle auf Android-Geräten, dem Raspberry Pi und mehr trainiert, konvertiert und ausführt!
PyTorch-Erweiterungen für schnelles R&D-Prototyping und Kaggle-Farming
"Retinexformer: Einstufiger Retinex-basierter Transformer zur Verbesserung von Bildern bei schwachem Licht" (ICCV 2023 Top-10 zitiert 🏆) & (NTIRE 2024 Zweitplatzierter 🏆) & (NTIRE 2025 Gewinner 🏆) & (NTIRE 2026 Gewinner 🏆)
Yolov5 Deepsort-Inferenz, Verwendung von YOLOv5+Deepsort zur Fahrzeug- und Fußgängererkennung und -zählung, der Code ist als Detector-Klasse gekapselt, was die Einbettung in eigene Projekte erleichtert
Objektverfolgung implementiert mit YOLOv4, DeepSort und TensorFlow.
Sammeln Sie die neuesten Ergebnisse der CVPR (Conference on Computer Vision and Pattern Recognition), einschließlich Arbeiten, Code und Demovideos usw., und wir freuen uns über Empfehlungen von allen!