#tensorrt Dépôts
Découvrez 80 dépôts GitHub open source actifs associés à #tensorrt, cumulant 302,483 étoiles au total (soit une moyenne de 3,781 étoiles par projet). Le projet en tête de ce thème est ultralytics/yolov5, avec 58,290 étoiles.
80 dépôts au total
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
NVIDIA® TensorRT™ est un SDK pour l'inférence en apprentissage profond haute performance sur les GPU NVIDIA. Ce dépôt contient les composants open source de TensorRT.
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.
StreamDiffusion : Une solution au niveau du pipeline pour la génération interactive en temps réel
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/
Guide Hello AI World pour déployer des réseaux d'inférence deep-learning et des primitives de vision profonde avec TensorRT et NVIDIA Jetson.
📄 Outil OCR impressionnant pour plusieurs langages de programmation basé sur ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT et PyTorch.
BoxMOT : suivi multiobjet modulaire en Python et C++ pour les boîtes alignées sur les axes et orientées, désormais avec un déploiement via Helm pour le suivi continu des caméras sur Kubernetes.
Code d'accompagnement dans "Tutoriel pratique de formation de modèles PyTorch"
Implémentation de réseaux d'apprentissage profond populaires avec l'API de définition de réseau TensorRT
Que vous soyez un débutant complet, une application de projet en CV, NLP, LLM, ou un déploiement et une mise en œuvre d'ingénierie avancée, vous trouverez tout dans « Tutoriel pratique PyTorch » (2e édition). Nous pensons qu'avec l'aide de ce livre, les lecteurs pourront maîtriser facilement l'utilisation de PyTorch et devenir d'excellents ingénieurs en apprentissage profond.
TNN : développé par Tencent Youtu Lab et Guangying Lab, un framework d'inférence d'apprentissage profond unifié pour mobile, bureau et serveur. TNN se distingue par plusieurs caractéristiques exceptionnelles, notamment sa capacité multiplateforme, ses hautes performances, la compression des modèles et l'élagage du code. Basé sur ncnn et Rapidnet, TNN renforce davantage le support et l'optimisation des performances pour les appareils mobiles, et tire également parti des avantages d'une bonne extensibilité et de hautes performances des efforts open source existants.
Tengine est un moteur d'inférence léger, haute performance et modulaire pour les appareils embarqués.
Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant Det, Seg, Stable-Diffusion, Face-Fusion.
Flux de travail de référence d'IA générative optimisés pour une architecture de microservices et une infrastructure accélérées.
DAMO-YOLO : une méthode de détection d'objets rapide et précise avec de nouvelles technologies, notamment des backbones NAS, un RepGFPN efficace, ZeroHead, AlignedOTA et une amélioration par distillation.
[Nomination du meilleur article CVPR 2025] FoundationStereo : correspondance stéréo sans supervision (Zero-Shot)
Projets de vision par ordinateur | Projets d'IA amusants liés à la vision par ordinateur (Python, C++, systèmes embarqués)
Transformez n'importe quel ordinateur ou appareil edge en un centre de commande pour vos projets de vision par ordinateur.
🍅🍅🍅YOLOv5-Lite : Évolué de yolov5 et la taille du modèle n'est que de 900+ Ko (int8) et 1,7 Mo (fp16). Atteint 15 FPS sur le Raspberry Pi 4B~
YOLO5Face : Pourquoi réinventer un détecteur de visages (https://arxiv.org/abs/2105.12931) Ateliers ECCV 2022)
micronet, une bibliothèque de compression et de déploiement de modèles. Compression : 1、quantification : entraînement conscient de la quantification(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternaire et Binaire(TWN/BNN/XNOR-Net) ; quantification post-entraînement(PTQ), 8-bit(tensorrt) ; 2、élagage : normal、régulier et élagage de canaux convolutifs en groupe ; 3、structure de convolution en groupe ; 4、fusion de normalisation par lots pour la quantification. Déploiement : tensorrt, fp32/fp16/in
YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny implémentés dans Tensorflow 2.0, Android. Convertir YOLO v4 .weights en tensorflow, tensorrt et tflite
Implémentation 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 pour les modèles YOLO
Un projet démontrant les solutions d'IA liées au Lidar, y compris trois réseaux DL Lidar/caméra accélérés par GPU (PointPillars, CenterPoint, BEVFusion) et les bibliothèques associées (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Un cadre de déploiement d'IA simple à utiliser et haute performance | An Easy-to-Use and High-Performance AI Deployment Framework
🚀🚀🚀 Une collection de projets fantastiques de séries YOLO pour la détection d'objets publics et les ensembles de données de détection d'objets associés.
WhisperFusion s'appuie sur les capacités de WhisperLive et WhisperSpeech pour offrir des conversations fluides avec une IA.
PaddleSlim est une bibliothèque open-source pour la compression de modèles profonds et la recherche d'architecture.
🔥🔥🔥TensorRT pour YOLO26 (détection/pose/segmentation/profondeur/boîtes orientées/classification), YOLOv11, YOLOv10, YOLOv9, YOLOv8, ... 🚀🚀🚀 CUDA, C’EST TOUT CE QU’IL VOUS FAUT. 🍎🍎🍎
Vous ne planifiez qu'une seule fois : un planificateur de quadricoptère basé sur l'apprentissage
TensorRT pour la série YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), prise en charge du plugin NMS
Foire aux questions
Quel est le dépôt #tensorrt le plus populaire sur GitHub ?
Le projet #tensorrt open source le mieux classé sur GitHub est ultralytics/yolov5, avec 58,290 étoiles. Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Quels langages de programmation sont les plus utilisés dans les dépôts #tensorrt ?
Parmi les projets #tensorrt les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook.
Comment le classement des dépôts #tensorrt est-il calculé ?
Nous suivons 80 dépôts open source actifs associés à #tensorrt (500+ étoiles), totalisant 302,483 étoiles, avec une moyenne de 3,781 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.