#tensorrt Repositories
Entdecke 80 aktive Open-Source-GitHub-Repositories, die mit #tensorrt getaggt sind und insgesamt 302,483 Sterne gesammelt haben (durchschnittlich 3,781 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ultralytics/yolov5 mit 58,290 Sternen.
Insgesamt 80 Repositories
Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
NVIDIA® TensorRT™ ist ein SDK für hochleistungsfähige Deep-Learning-Inferenz auf NVIDIA-GPUs. Dieses Repository enthält die Open-Source-Komponenten von TensorRT.
PyTorch-Implementierung von YOLOv3, YOLOv3-SPP und YOLOv3-tiny für Echtzeit-Objekterkennung mit Training, Validierung, Inferenz und Export in verschiedene Formate.
StreamDiffusion: Eine Pipeline-weite Lösung für die Echtzeit-interaktive Erzeugung
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/
Hello AI World: Leitfaden zum Bereitstellen von Deep-Learning-Inferenznetzwerken und Deep-Vision-Primitiven mit TensorRT und NVIDIA Jetson.
📄 Beeindruckendes OCR-Toolkit für mehrere Programmiersprachen basierend auf ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT und PyTorch.
BoxMOT: Plugbares Multi-Objekt-Tracking in Python und C++ für achsenparallele und orientierte Boxen, jetzt mit Helm-Bereitstellung für kontinuierliches Kameratracking auf Kubernetes.
Begleitcode in "Praktischem Tutorial zum Training von PyTorch-Modellen"
Implementierung beliebter Deep-Learning-Netzwerke mit der TensorRT-Netzwerkdefinitions-API
Ob Sie nun ein absoluter Anfänger im Kurs sind, Projektanwendungen in CV, NLP, LLM verfolgen oder die fortschrittliche ingenieurmäßige Bereitstellung und Implementierung anstreben, in „Praktischer Pytorch-Leitfaden“ (2. Auflage) finden Sie alles. Wir glauben, dass Leser mit Hilfe dieses Buches die Verwendung von PyTorch mühelos meistern und ausgezeichnete Deep-Learning-Ingenieure werden können.
TNN: Entwickelt vom Tencent Youtu Lab und Guangying Lab, ein einheitliches Deep-Learning-Inferenz-Framework für Mobilgeräte, Desktops und Server. TNN zeichnet sich durch mehrere herausragende Merkmale aus, darunter plattformübergreifende Kompatibilität, hohe Leistung, Modellkomprimierung und Codebereinigung. Basierend auf ncnn und Rapidnet stärkt TNN die Unterstützung und Leistungsoptimierung für mobile Geräte weiter und nutzt auch die Vorteile guter Erweiterbarkeit und hoher Leistung aus bestehenden Open-Source-Bemühungen.
Tengine ist ein leichter, hochperformanter, modularer Inferenz-Engine für eingebettete Geräte.
Ein leichtes C++-KI-Toolkit: über 100 Modelle mit MNN, ORT und TRT, einschließlich Det, Seg, Stable-Diffusion, Face-Fusion.
Generative KI-Referenz-Workflows, optimiert für beschleunigte Infrastruktur und Microservice-Architektur.
DAMO-YOLO: eine schnelle und genaue Objekterkennungsmethode mit einigen neuen Techniken, darunter NAS-Backbones, effizientes RepGFPN, ZeroHead, AlignedOTA und Destillationsverbesserung.
[CVPR 2025 Best Paper Nomination] FoundationStereo: Zero-Shot Stereo Matching
Computer Vision Projekte | Lustige KI-Projekte im Bereich Computer Vision (Python, C++, eingebettetes System)
Verwandeln Sie jeden Computer oder jedes Edge-Gerät in ein Kommandozentrum für Ihre Computer-Vision-Projekte.
🍅🍅🍅YOLOv5-Lite: Entwickelt aus yolov5 und die Größe des Modells beträgt nur 900+kb (int8) und 1,7M (fp16). Erreicht 15 FPS auf dem Raspberry Pi 4B~
YOLO5Face: Warum einen Gesichtserkenner neu erfinden (https://arxiv.org/abs/2105.12931) ECCV Workshops 2022)
micronet, eine Bibliothek für Modellkompression und Deployment. Kompression: 1、Quantisierung: Quantisierungs-bewusstes Training(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternary and Binary(TWN/BNN/XNOR-Net); Post-Training-Quantisierung(PTQ), 8-Bit(tensorrt); 2、Pruning: normal、regular and group convolutional channel pruning; 3、Gruppenkonvolutionsstruktur; 4、Batch-Normalisierungs-Fusion für Quantisierung. Deployment: tensorrt, fp32/fp16/in
YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny implementiert in Tensorflow 2.0, Android. Konvertieren Sie YOLO v4 .weights in tensorflow, tensorrt und tflite
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
Ein Projekt, das Lidar-bezogene KI-Lösungen demonstriert, einschließlich dreier GPU-beschleunigter Lidar/Kamera-DL-Netzwerke (PointPillars, CenterPoint, BEVFusion) und der zugehörigen Bibliotheken (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Ein einfach zu bedienendes und leistungsstarkes KI-Bereitstellungs-Framework | An Easy-to-Use and High-Performance AI Deployment Framework
🚀🚀🚀 Eine Sammlung einiger großartiger öffentlicher YOLO-Objekterkennungs-Serienprojekte und der zugehörigen Objekterkennungsdatensätze.
WhisperFusion baut auf den Fähigkeiten von WhisperLive und WhisperSpeech auf, um nahtlose Gespräche mit einer KI zu ermöglichen.
PaddleSlim ist eine Open-Source-Bibliothek für die Komprimierung tiefer Modelle und die Architektursuche.
🔥🔥🔥TensorRT für YOLO26 (Detektion/Pose/Segmentierung/Tiefe/rotierte Bounding-Boxen/Klassifizierung), YOLOv11, YOLOv10, YOLOv9, YOLOv8, ... 🚀🚀🚀 CUDA IST ALLES, WAS DU BRAUCHST. 🍎🍎🍎
Hochleistungs-Tracking mehrerer Objekte basierend auf YOLO, Deep SORT und KLT 🚀
TensorRT für die YOLO-Serie (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), NMS-Plugin-Unterstützung
Häufig gestellte Fragen
Welches ist das beliebteste #tensorrt-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#tensorrt-Projekt auf GitHub ist ultralytics/yolov5 mit 58,290 Sternen. Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
Welche Programmiersprachen werden in #tensorrt-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #tensorrt-Projekten auf GitHub sind Python, C++, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #tensorrt-Repositories berechnet?
Wir verfolgen 80 aktive Open-Source-Repositories, die mit #tensorrt getaggt sind (500+ Sterne), mit insgesamt 302,483 Sternen und durchschnittlich 3,781 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.