#instance-segmentation Dépôts
Découvrez 53 dépôts GitHub open source actifs associés à #instance-segmentation, cumulant 348,506 étoiles au total (soit une moyenne de 6,575 étoiles par projet). Le projet en tête de ce thème est ultralytics/ultralytics, avec 63,640 étoiles.
53 dépôts au total
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Mask R-CNN pour la détection d'objets et la segmentation d'instances sur Keras et TensorFlow
Annotation d'images avec Python. Prend en charge les polygones, rectangles, cercles, lignes, points et l'annotation assistée par IA.
Kit d'outils de détection d'objets basé sur PaddlePaddle. Il prend en charge la détection d'objets, la segmentation d'instances, le suivi de plusieurs objets et la détection de points clés de plusieurs personnes en temps réel.
X-AnyLabeling : une application de bureau multiplateforme, légère, efficace et unifiée pour annoter du texte, des images, des vidéos, des nuages de points et des données multimodales. Elle associe des outils intégrés polyvalents à des modèles d’IA de pointe et permet une exportation flexible dans plusieurs formats.
RF-DETR est une architecture de modèle de détection et de segmentation d'objets en temps réel développée par Roboflow, SOTA sur COCO, conçue pour le réglage fin (fine-tuning). [ICLR 2026]
Inférence découpée/tuilée indépendante du framework + UI interactive + tracés d'analyse d'erreurs
Un modèle simple et entièrement convolutif pour la segmentation d'instances en temps réel.
AdelaiDet est une boîte à outils open source pour les tâches de détection et de reconnaissance multiples au niveau des instances.
pySLAM est un pipeline SLAM Visuel hybride Python/C++ prenant en charge les caméras monoculaires, stéréoscopiques et RGB-D. Il offre un large éventail d'extracteurs de caractéristiques locales et globales modernes, de multiples stratégies de fermeture de boucle, un module de reconstruction volumétrique, des modèles intégrés de prédiction de profondeur et des capacités de segmentation sémantique pour une meilleure compréhension de la scène.
[NeurIPS 2025] YOLOv12: Détecteurs d'objets en temps réel centrés sur l'attention
Images pour l'inférence sans étiquetage (utilisez des modèles fondamentaux pour entraîner des modèles supervisés).
Transformez n'importe quel ordinateur ou appareil edge en un centre de commande pour vos projets de vision par ordinateur.
[CVPR 2025] Implémentation officielle PyTorch de MambaVision : un backbone hybride Mamba-Transformer pour la vision
[CVPR 2023] OneFormer : Un Transformeur pour régner sur la segmentation universelle d'images
[ICLR'23 Spotlight🔥] Le premier pré-entraînement réussi de style BERT/MAE sur n'importe quel réseau de convolution ; Impl. Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Publication du code pour "Cut and Learn for Unsupervised Object Detection and Instance Segmentation" et "VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation"
GigaModels : Un référentiel et une plateforme complets pour les modèles multimodaux, génératifs et perceptuels
LibreYOLO est une bibliothèque de vision par ordinateur open source sous licence MIT
Implémentation PyTorch officielle d'ODISE : Segmentation Panoptique à Vocabulaire Ouvert avec Modèles de Diffusion Texte-vers-Image [CVPR 2023 Highlight]
Framework Python pour la vision par ordinateur et l'analyse vidéo avec batteries incluses
:books: Une collection d'articles sur la Referring Image Segmentation.
Code officiel pour "RegionCLIP: Region-based Language-Image Pretraining" [CVPR 2022]
[ICCV 2023] Implémentation officielle du papier "A Simple Framework for Open-Vocabulary Segmentation and Detection"
Bibliothèque de perception hiérarchique en Python pour l'estimation de pose, la détection d'objets, la segmentation d'instances, l'estimation de points clés, la reconnaissance faciale, etc.
🚀🚀🚀 Série YOLO d'implémentations PaddlePaddle, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet et ainsi de suite. 🚀🚀🚀
[Highlight CVPR 2025] Code et modèles officiels pour l'Encodeur-seul Masque Transformeur (EoMT).
Ceci est l'implémentation PyTorch de notre article « RSPrompter : Apprendre à interpeller pour la segmentation d'instance de télédétection basée sur un modèle de base visuel »
[CVPR2024] Code pour « SAM-6D : Segment Anything Model rencontre l'estimation de pose 6D sans zéro coup ».
Framework de reconnaissance d'instances vidéo de nouvelle génération basé sur Detectron2 qui prend en charge InstMove (CVPR 2023), SeqFormer (ECCV Oral) et IDOL (ECCV Oral).
[CVPR 2024] Publication du code pour "InstanceDiffusion : Contrôle au niveau de l'instance pour la génération d'images"
Code PyTorch pour l'article "FIERY: Future Instance Segmentation in Bird's-Eye view from Surround Monocular Cameras"
Augmentation d’images pour la vision par ordinateur. Licence AGPL-3.0 uniquement ou licence commerciale.
Ce référentiel fournit une liste complète de jeux de données satellitaires radar et optiques sélectionnés pour des tâches de détection, de classification, de segmentation sémantique et de segmentation d'instance de navires. Ces jeux de données sont idéaux pour les applications en vision par ordinateur, apprentissage automatique, télédétection et analyse maritime.
[NeurIPS 2020] Ce projet fournit une solide base d'étapes uniques pour la classification, la détection et la segmentation d'instance à longue queue (LVIS). C'est également une implémentation PyTorch de l'article NeurIPS 2020 'Long-Tailed Classification by Keeping the Good and Removing the Bad Momentum Causal Effect'.
🚀 Une solution de détection d'objets en temps réel haute performance utilisant YOLO11 ⚡️ alimentée par ONNX-Runtime
Foire aux questions
Quel est le dépôt #instance-segmentation le plus populaire sur GitHub ?
Le projet #instance-segmentation open source le mieux classé sur GitHub est ultralytics/ultralytics, avec 63,640 étoiles. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Quels langages de programmation sont les plus utilisés dans les dépôts #instance-segmentation ?
Parmi les projets #instance-segmentation les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, JavaScript.
Comment le classement des dépôts #instance-segmentation est-il calculé ?
Nous suivons 53 dépôts open source actifs associés à #instance-segmentation (500+ étoiles), totalisant 348,506 étoiles, avec une moyenne de 6,575 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.