#object-detection Dépôts
296 dépôts au total
Papiers, code et ensembles de données sur l'apprentissage profond pour la détection d'objets 3D.
Une démo simple de yolov5s fonctionnant sur rk3588/3588s en utilisant c++ (environ 142 images/s). / Une démo simple de yolov5s fonctionnant sur rk3588/3588s en utilisant c++ (environ 142 images/s).
Yolov5 plus lisible et flexible avec plus de backbones (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, etc.) et (cbam, dcn et ainsi de suite), et tensorrt
basé sur le projet de haut niveau YOLO (détecter\poser\classer\segmenter\) : inclure YOLOv5\YOLOv7\YOLOv8\ Core, recherche d'amélioration, SwinTransformerV2 et Attention Series. compétences de formation, personnalisation commerciale, déploiement d'ingénierie C
🚀🚀🚀 Série YOLO d'implémentations PaddlePaddle, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet et ainsi de suite. 🚀🚀🚀
L'implémentation PyTorch officielle de « Mamba-YOLO : basée sur les SSM pour la détection d'objets »
Le jeu de données Exclusively Dark (ExDARK), qui, à notre connaissance, est la plus grande collection d’images à faible éclairage prises dans des environnements très faiblement éclairés jusqu’au crépuscule (c.-à-d. 10 conditions différentes) à ce jour, avec des annotations au niveau des classes d’image et des objets.
Suivi d'objets YOLOv7 utilisant PyTorch, OpenCV et le suivi Sort
Ce référentiel est une collection organisée des articles les plus passionnants et influents de CVPR 2023. 🔥 [Paper + Code]
YOLOPv2 : Mieux, Plus Rapide, Plus Fort pour la Perception Panoptique de la Conduite
Pipeline de détection d'objets YOLOv4/v3/v2 de bout en bout, implémenté sur tf.keras avec différentes technologies
Estimation de profondeur mono / stéréo + détection d'objets YOLO avec déploiement sur Jetson Nano / TX2 / GeForce via TensorRT
Détection d'objets par radar 4D pour la conduite autonome dans diverses conditions météorologiques
Construisez des modèles de vision par ordinateur entièrement fonctionnels avec PyTorch
Tensorflow Faster R-CNN pour Windows/Linux et Python 3 (3.5/3.6/3.7)
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).
Détecteurs, Trackers et SAM de vision par ordinateur faciles et modulaires - Exécutez YOLOv9,v8,v7,v6,v5,R,X en moins de 10 lignes de code.
Outil de génération de données d'entraînement ML basé sur la vision par ordinateur :rocket:
Framework qui permet le réglage fin des modèles d'ancrage vision-langage sur des ensembles de données personnalisés
[CVPR 2024] Aligning and Prompting Everything All at Once for Universal Visual Perception
OBBDetection est une bibliothèque de détection d'objets orientés, basée sur MMdetection.
Convertir le modèle MMDetection en TensorRT, prendre en charge fp16, int8, entrées par lots, forme dynamique, etc.
Augmentation d’images pour la vision par ordinateur. Licence AGPL-3.0 uniquement ou licence commerciale.
Nœuds ComfyUI pour les modèles vision-langage : Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclut également la détection à vocabulaire ouvert, la segmentation SAM2/SAM3, le raisonnement temporel vidéo, GGUF via llama.cpp, et des API LLM/VLM hébergées.
Détection + reconnaissance de plaques d'immatriculation à l'aide de YOLOv5 et LPRNet (jeu de données CCPD)
[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
[ICLR 2025 Spotlight] Vision-RWKV : Perception visuelle efficace et évolutive avec des architectures de type RWKV
RectLabel est un outil d'annotation d'images hors ligne pour la détection d'objets et la segmentation.
Code et directives de mise en œuvre pour l'article ✨Counting Anything. Page du projet : https://mengqi-lei.github.io/count-anything-projectpage/
Bibliothèque gratuite et open source pour la détection d'objets et la segmentation sémantique par IA dans les rasters géospatiaux. 🚀
Application iOS Ultralytics YOLO et package Swift pour l'inférence Core ML en temps réel dans les principales tâches de vision par ordinateur.
un détecteur d'objets sans ancrage en temps réel avec des performances décentes
Plugin Flutter officiel d’Ultralytics YOLO pour l’inférence en temps réel sur Android et iOS dans les principales tâches de vision.
Détection d'objets sur plusieurs jeux de données avec un espace d'étiquettes unifié appris automatiquement.
Créez une visualisation du trafic de type jumeau numérique en utilisant uniquement des séquences de vidéosurveillance au format MP4 et leur emplacement sur Google Maps.
"Learning Delicate Local Representations for Multi-Person Pose Estimation" (ECCV 2020 Spotlight) & (Vainqueur du défi COCO 2019 pour la détection de points clés humains) & (Prix du meilleur article COCO 2019)