#object-detection Dépôts
Découvrez 296 dépôts GitHub open source actifs associés à #object-detection, cumulant 1,201,862 étoiles au total (soit une moyenne de 4,060 étoiles par projet). Le projet en tête de ce thème est ultralytics/ultralytics, avec 63,640 étoiles.
296 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.
LocalAI est le moteur IA open-source. Exécutez n'importe quel modèle - LLMs, vision, voix, image, vidéo - sur n'importe quel matériel. Aucune GPU requise.
Detectron2 est une plateforme pour la détection d'objets, la segmentation et d'autres tâches de reconnaissance visuelle.
Apprentissage profond pour le traitement d'images, incluant la classification et la détection d'objets, etc.
Un simple outil d'analyse d'écran pour un agent d'interface graphique basé sur la vision pure
Mask R-CNN pour la détection d'objets et la segmentation d'instances sur Keras et TensorFlow
Une liste organisée d'incroyables ressources en vision par ordinateur
CVAT est une plateforme de premier plan pour l’annotation de données d’images, de vidéos, d’audio et de jeux de données 3D. Elle propose des produits open source, cloud et d’entreprise, ainsi que des services d’annotation, avec annotation assistée par IA, assurance qualité, collaboration en équipe, analyses et API pour développeurs.
Ceci est une implémentation officielle pour "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
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.
Explicabilité avancée de l'IA pour la vision par ordinateur. Support pour CNN, Vision Transformers, Classification, Détection d'objets, Segmentation, Similarité d'images et plus.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Articles/Code/Interprétations/Collection de Diffusions en Direct, Organisé par l'Équipe Jimu
Le dépôt fournit le code pour exécuter l'inférence et le réglage fin avec le Meta Segment Anything Model 3 (SAM 3), des liens pour télécharger les points de contrôle du modèle entraîné, et des cahiers d'exemples qui montrent comment utiliser le modèle.
Une liste de papiers sur la détection d'objets utilisant l'apprentissage profond.
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.
Implémentation PyTorch de YOLOv3, YOLOv3-SPP et YOLOv3-tiny pour la détection d'objets en temps réel avec entraînement, validation, inférence et exportation multi-format.
YOLOX est un YOLO haute performance sans ancres, surpassant yolov3~v5 avec la prise en charge de MegEngine, ONNX, TensorRT, ncnn et OpenVINO. Documentation : https://yolox.readthedocs.io/
Techniques d'apprentissage profond avec des images satellites et aériennes
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]
Meilleures pratiques, exemples de code et documentation pour la Vision par ordinateur.
Une collection de tutoriels sur les modèles et techniques de vision par ordinateur à la pointe de la technologie. Explorez tout, des architectures fondamentales comme ResNet aux modèles de pointe comme RF-DETR, YOLO11, SAM 3 et Qwen3-VL.
[ECCV 2024] Implémentation officielle du papier "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"
Guide Hello AI World pour déployer des réseaux d'inférence deep-learning et des primitives de vision profonde avec TensorRT et NVIDIA Jetson.
Une bibliothèque Python conçue pour permettre aux développeurs de créer des applications et des systèmes avec des capacités de vision par ordinateur autonomes
Expérimentez, apprenez et codez les dernières innovations révolutionnaires avec Microsoft AI
Des scripts concernant la détection d'objets et du code d'idées d'amélioration; consultez en détail le readme.md.
La plateforme de nouvelle génération d'OpenMMLab pour la détection d'objets 3D générale.
NanoDet-Plus⚡Modèle de détection d'objets ultra rapide et léger sans ancrage. 🔥Seulement 980 Ko (int8) / 1,8 Mo (fp16) et exécute 97 FPS sur téléphone portable🔥
YOLOv6 : un framework de détection d'objets à un étage dédié aux applications industrielles.
Une boîte à outils unifiée pour l'analyse d'images de documents basée sur l'apprentissage profond
Inférence découpée/tuilée indépendante du framework + UI interactive + tracés d'analyse d'erreurs
Foire aux questions
Quel est le dépôt #object-detection le plus populaire sur GitHub ?
Le projet #object-detection 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 #object-detection ?
Parmi les projets #object-detection les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript, Go.
Comment le classement des dépôts #object-detection est-il calculé ?
Nous suivons 296 dépôts open source actifs associés à #object-detection (500+ étoiles), totalisant 1,201,862 étoiles, avec une moyenne de 4,060 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.