#real-time-inference Repositories
Entdecke 43 aktive Open-Source-GitHub-Repositories, die mit #real-time-inference getaggt sind und insgesamt 133,583 Sterne gesammelt haben (durchschnittlich 3,106 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist facebookresearch/sam2 mit 20,204 Sternen.
Insgesamt 43 Repositories
Das Repository stellt Code zur Ausführung der Inferenz mit dem Meta Segment Anything Model 2 (SAM 2), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks bereit, die zeigen, wie das Modell verwendet wird.
Dieses Repository enthält die offizielle Implementierung von "FastVLM: Efficient Vision Encoding for Vision Language Models" - CVPR 2025
Depth Pro: Scharfe monokulare Tiefenmetrik in weniger als einer Sekunde.
Ein industrielles Deep-Learning-Framework für hochdimensionale Sparse-Daten
Kyutais Text-to-Speech- und Speech-to-Text-Modelle basierend auf dem Framework für verzögerte Stream-Modellierung.
Ein ultraleichtes Avatar-Modell, das in Echtzeit auf mobilen Geräten ausgeführt werden kann
⚠️DirectML befindet sich im Wartungsmodus ⚠️ DirectML ist eine leistungsstarke, hardwarebeschleunigte DirectX 12-Bibliothek für maschinelles Lernen. DirectML bietet GPU-Beschleunigung für gängige Aufgaben des maschinellen Lernens auf einer breiten Palette unterstützter Hardware und Treiber, einschließlich aller DirectX 12-fähigen GPUs von Anbietern wie AMD, Intel, NVIDIA und Qualcomm.
Offizielle Implementierung des Papers „MonST3R: Ein einfacher Ansatz zur Schätzung der Geometrie bei Vorhandensein von Bewegung“
Eine TensorFlow-Implementierung dieses Nvidia-Papers: https://arxiv.org/pdf/1604.07316.pdf mit einigen Änderungen
Ein sich selbst anpassnder Framework🐙, der LLMs in Echtzeit für ungesehene Aufgaben anpasst!
Bringen Sie Porträts in Echtzeit zum Leben! onnx/tensorrt-Unterstützung! Echtzeit-Porträt-Steuerung!
Cross‑Plattform-Produktionsbereit C++-Inference-Engine für YOLO‑Modelle (v5‑v12, YOLO26). Einheitliche API für Erkennung, Segmentierung, Pose‑Schätzung, OBB und Klassifizierung. Basierend auf ONNX Runtime und OpenCV. Optimiert für CPU/GPU mit Quantisierungsunterstützung.
RepViT: Erneute Überprüfung mobiler CNN aus der ViT-Perspektive [CVPR 2024] und RepViT-SAM: Auf dem Weg zur Echtzeit-Segmentierung von allem
Das Trainingsprogramm für libfacedetection zur Gesichtserkennung und 5-Landmarken-Erkennung.
Dies ist ein benutzerdefinierter Knoten, der die Werkzeuge sammelt, die ich häufig verwende.
VideoLLM-online: Online Large Language Model für Streaming-Videos (CVPR 2024)
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).
Notebooks und Beispiele zur Einführung und Nutzung verschiedener Funktionen von Amazon Personalize
Eine effiziente modulare Implementierung von Associating Objects with Transformers für die Videobjektsegmentierung in PyTorch
MotionStream: Echtzeit-Videoerstellung mit interaktiven Bewegungssteuerungen
Code für das ICCV 2021 Paper „Pixel Difference Networks for Efficient Edge Detection“ (Oral).
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.
Häufig gestellte Fragen
Welches ist das beliebteste #real-time-inference-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#real-time-inference-Projekt auf GitHub ist facebookresearch/sam2 mit 20,204 Sternen. Das Repository stellt Code zur Ausführung der Inferenz mit dem Meta Segment Anything Model 2 (SAM 2), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks bereit, die zeigen, wie das Modell verwendet wird.
Welche Programmiersprachen werden in #real-time-inference-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #real-time-inference-Projekten auf GitHub sind Python, Jupyter Notebook, C++, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #real-time-inference-Repositories berechnet?
Wir verfolgen 43 aktive Open-Source-Repositories, die mit #real-time-inference getaggt sind (500+ Sterne), mit insgesamt 133,583 Sternen und durchschnittlich 3,106 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.