#object-detection Repositories
Insgesamt 296 Repositories
Artikel, Code und Datensätze zu Deep Learning für die 3D-Objekterkennung.
Ein einfaches Demo von yolov5s, das auf rk3588/3588s mit c++ läuft (ca. 142 Bilder/s). / Ein einfaches Demo von yolov5s, das auf rk3588/3588s mit c++ läuft (ca. 142 Bilder/s).
Lesbarer und flexibler Yolov5 mit mehr Backbones (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, etc.) und (cbam, dcn und so weiter) sowie TensorRT
basierend auf dem YOLO-High-Level-Projekt (erkennen\pose\klassifizieren\segmentieren\): einschließlich YOLOv5\YOLOv7\YOLOv8\Core, Verbesserungsforschung, SwinTransformerV2 und Attention Series. Schulungsfähigkeiten, Geschäftsanpassung, technische Bereitstellung C
🚀🚀🚀 YOLO-Serie von PaddlePaddle-Implementierungen, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet und so weiter. 🚀🚀🚀
Die offizielle PyTorch-Implementierung von „Mamba-YOLO: SSM-basiert für Objekterkennung“
Datensatz ‚Exclusively Dark (ExDARK)‘, der laut unserem Verständnis die größte Sammlung von Bildern bei sehr schlechten Lichtverhältnissen ist, die in sehr dunklen Umgebungen bis zum Zwielicht (d.h. 10 unterschiedliche Bedingungen) bis heute aufgenommen wurden, mit Bildklassens- und Objektannotierungen.
YOLOv7 Objekterkennung mit PyTorch, OpenCV und Sort-Tracking
Dieses Repository ist eine kuratierte Sammlung der aufregendsten und einflussreichsten CVPR 2023 Papers. 🔥 [Paper + Code]
End-to-End-YOLOv4/v3/v2-Objekterkennungs-Pipeline, implementiert auf tf.keras mit verschiedenen Technologien
Mono- / Stereo-Tiefenschätzung + YOLO-Objekterkennung mit Bereitstellung auf Jetson Nano / TX2 / GeForce mittels TensorRT
4D-Radar-Objekterkennung für autonomes Fahren bei verschiedenen Wetterbedingungen
Tensorflow Faster R-CNN für Windows/Linux und Python 3 (3.5/3.6/3.7)
Next-Generation Video-Instanz-Erkennungs-Framework auf Basis von Detectron2, das InstMove (CVPR 2023), SeqFormer (ECCV Oral) und IDOL (ECCV Oral) unterstützt.
Einfache & modulare Computer Vision Detektoren, Tracker & SAM - Führen Sie YOLOv9,v8,v7,v6,v5,R,X in weniger als 10 Codezeilen aus.
Tool zur Generierung von ML-Trainingsdaten basierend auf Computer Vision :rocket:
Framework, das die Feinabstimmung von Vision-Sprache Verankerungsmodellen auf benutzerdefinierten Datensätzen ermöglicht
[CVPR 2024] Aligning and Prompting Everything All at Once for Universal Visual Perception
OBBDetection ist eine Bibliothek zur Erkennung von orientierten Objekten, die auf MMdetection basiert.
MMDetection-Modell in TensorRT konvertieren, Unterstützung für FP16, INT8, Batch-Input, dynamische Form usw.
Bildaugmentation für Computer Vision. Ausschließlich AGPL-3.0-Lizenz oder kommerzielle Lizenzierung.
ComfyUI-Nodes für Vision-Language-Modelle: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Sowie Open-Vocabulary-Erkennung, SAM2/SAM3-Segmentierung, zeitliche Videobetrachtung, GGUF via llama.cpp und gehostete LLM/VLM-APIs.
Kennzeichenerkennung + -erkennung mit YOLOv5 und LPRNet (CCPD-Datensatz)
[NeurIPS 2020] Dieses Projekt bietet eine starke Single-Stage-Baseline für Long-Tailed Classification, Detection und Instance Segmentation (LVIS). Es ist auch eine PyTorch-Implementierung der NeurIPS 2020-Arbeit 'Long-Tailed Classification by Keeping the Good and Removing the Bad Momentum Causal Effect'.
🚀 Eine leistungsstarke Echtzeit-Objekterkennungslösung mit YOLO11 ⚡️, angetrieben von ONNX-Runtime
[ICLR 2025 Spotlight] Vision-RWKV: Effiziente und skalierbare visuelle Wahrnehmung mit RWKV-ähnlichen Architekturen
RectLabel ist ein Offline-Tool zur Bildannotation für Objekterkennung und Segmentierung.
Code- und Implementierungsrichtlinien für das Papier ✨Counting Anything. Projektseite: https://mengqi-lei.github.io/count-anything-projectpage/
Kostenlose und Open-Source-Bibliothek für KI-Objekterkennung und semantische Segmentierung in georäumlichen Rastern. 🚀
Ultralytics YOLO iOS-App und Swift-Paket für Echtzeit-Core-ML-Inferenz bei wichtigen Computer-Vision-Aufgaben.
Offizielles Ultralytics-YOLO-Flutter-Plugin für Echtzeit-Inferenz auf Android und iOS bei den wichtigsten Bildverarbeitungsaufgaben.
Objekterkennung auf mehreren Datensätzen mit einem automatisch erlernten, einheitlichen Beschriftungsraum.
Erstellen Sie eine Verkehrsdarstellung im Stil eines digitalen Zwillings, ausschließlich anhand von CCTV-Aufnahmen im MP4-Format und deren Standort in Google Maps.
"Learning Delicate Local Representations for Multi-Person Pose Estimation" (ECCV 2020 Spotlight) & (Gewinner der COCO 2019 Human Keypoint Detection Challenge) & (COCO 2019 Best Paper Award)