#tensorrt Repositorios
Descubre 80 repositorios activos de código abierto de GitHub etiquetados con #tensorrt, que acumulan 302,483 estrellas en total (una media de 3,781 estrellas por proyecto). El líder de este tema es ultralytics/yolov5, con 58,290 estrellas.
80 repositorios en total
Ultralytics YOLOv5 en PyTorch para detección de objetos, segmentación de instancias, clasificación, entrenamiento y exportación.
NVIDIA® TensorRT™ es un SDK para inferencia de aprendizaje profundo de alto rendimiento en GPUs de NVIDIA. Este repositorio contiene los componentes de código abierto de TensorRT.
Implementación en PyTorch de YOLOv3, YOLOv3-SPP y YOLOv3-tiny para detección de objetos en tiempo real con entrenamiento, validación, inferencia y exportación en múltiples formatos.
StreamDiffusion: Una solución a nivel de pipeline para la generación interactiva en tiempo real
YOLOX es un YOLO de alto rendimiento sin anclas, que supera a yolov3~v5 con el soporte de MegEngine, ONNX, TensorRT, ncnn y OpenVINO. Documentación: https://yolox.readthedocs.io/
Guía Hello AI World para implementar redes de inferencia de aprendizaje profundo y primitivas de visión profunda con TensorRT y NVIDIA Jetson.
📄 Herramienta OCR impresionante para múltiples lenguajes de programación basada en ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT y PyTorch.
BoxMOT: seguimiento multiobjeto modular en Python y C++ para cajas alineadas con los ejes y orientadas, ahora con despliegue mediante Helm para el seguimiento continuo de cámaras en Kubernetes.
Código complementario en "Tutorial práctico de entrenamiento de modelos PyTorch"
Implementación de redes de aprendizaje profundo populares con la API de definición de red TensorRT
Ya sea que sea un principiante absoluto, una aplicación de proyecto en CV, NLP, LLM, o una implementación y despliegue de ingeniería avanzada, aquí lo encontrará todo en "Guía práctica de PyTorch" (2ª edición). Creemos que con la ayuda de este libro, los lectores podrán dominar fácilmente el uso de PyTorch y convertirse en excelentes ingenieros de aprendizaje profundo.
TNN: Desarrollado por Tencent Youtu Lab y Guangying Lab, un framework de inferencia de aprendizaje profundo unificado para móviles, escritorios y servidores. TNN se distingue por varias características sobresalientes, que incluyen su capacidad multiplataforma, alto rendimiento, compresión de modelos y poda de código. Basado en ncnn y Rapidnet, TNN fortalece aún más el soporte y la optimización del rendimiento para dispositivos móviles, y también aprovecha las ventajas de buena extensibilidad y alto rendimiento de los esfuerzos de código abierto existentes.
Tengine es un motor de inferencia ligero, de alto rendimiento y modular para dispositivos integrados.
Un kit de herramientas de IA ligero en C++: más de 100 modelos con MNN, ORT y TRT, incluyendo Det, Seg, Stable-Diffusion, Face-Fusion.
Flujos de trabajo de referencia de IA generativa optimizados para una arquitectura de microservicios e infraestructura acelerada.
DAMO-YOLO: un método de detección de objetos rápido y preciso con algunas nuevas tecnologías, que incluyen backbones NAS, RepGFPN eficiente, ZeroHead, AlignedOTA y mejora por destilación.
[Nominación al Mejor Artículo CVPR 2025] FoundationStereo: Coincidencia Estéreo de "Zero-Shot"
Proyectos de Visión por Computadora | Proyectos divertidos de IA relacionados con la visión por computadora (Python, C++, sistemas embebidos)
Convierte cualquier ordenador o dispositivo perimetral en un centro de mando para tus proyectos de visión por computadora.
🍅🍅🍅YOLOv5-Lite: Evolucionado de yolov5 y el tamaño del modelo es de solo 900+ kb (int8) y 1,7 M (fp16). Alcanza 15 FPS en Raspberry Pi 4B~
YOLO5Face: Por qué reinventar un detector de rostros (https://arxiv.org/abs/2105.12931) Talleres ECCV 2022)
micronet, una biblioteca de compresión y despliegue de modelos. Compresión: 1、Cuantización: entrenamiento consciente de cuantización(QAT), Alto-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Bajo-Bit(≤2b)/Ternario y Binario(TWN/BNN/XNOR-Net); cuantización post-entrenamiento(PTQ), 8-bit(tensorrt); 2、poda: normal、regular y poda de canales convolucionales en grupo; 3、estructura de convolución en grupo; 4、fusión de normalización por lotes para cuantización. Despliegue: tensorrt, fp32/fp16/in
YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny implementados en Tensorflow 2.0, Android. Convertir YOLO v4 .weights a tensorflow, tensorrt y tflite
Implementación de 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 para modelos YOLO
Un proyecto que demuestra soluciones de IA relacionadas con Lidar, incluidas tres redes neuronales profundas (DL) de Lidar/cámara aceleradas por GPU (PointPillars, CenterPoint, BEVFusion) y las bibliotecas relacionadas (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Un framework de implementación de IA fácil de usar y de alto rendimiento | An Easy-to-Use and High-Performance AI Deployment Framework
🚀🚀🚀 Una colección de algunos fantásticos proyectos de series públicas de detección de objetos YOLO y los conjuntos de datos de detección de objetos relacionados.
WhisperFusion se basa en las capacidades de WhisperLive y WhisperSpeech para proporcionar conversaciones fluidas con una IA.
PaddleSlim es una biblioteca de código abierto para la compresión de modelos profundos y la búsqueda de arquitecturas.
🔥🔥🔥TensorRT para YOLO26 (detección/pose/segmentación/profundidad/cajas orientadas/clasificación), YOLOv11, YOLOv10, YOLOv9, YOLOv8, ... 🚀🚀🚀 CUDA ES TODO LO QUE NECESITAS. 🍎🍎🍎
Solo se planifica una vez: un planificador de cuadricóptero basado en el aprendizaje
Seguimiento de múltiples objetos de alto rendimiento basado en YOLO, Deep SORT y KLT 🚀
TensorRT para la serie YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), soporte de plugin nms
Preguntas frecuentes
¿Cuál es el repositorio de #tensorrt más popular en GitHub?
El proyecto de código abierto de #tensorrt mejor posicionado en GitHub es ultralytics/yolov5, con 58,290 estrellas. Ultralytics YOLOv5 en PyTorch para detección de objetos, segmentación de instancias, clasificación, entrenamiento y exportación.
¿Qué lenguajes de programación se utilizan más en los repositorios de #tensorrt?
Entre los proyectos de #tensorrt mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #tensorrt?
Seguimos 80 repositorios activos de código abierto etiquetados con #tensorrt (500+ estrellas), que suman un total de 302,483 estrellas, con una media de 3,781 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.