#yolo Dépôts
Découvrez 88 dépôts GitHub open source actifs associés à #yolo, cumulant 433,903 étoiles au total (soit une moyenne de 4,930 étoiles par projet). Le projet en tête de ce thème est ultralytics/ultralytics, avec 63,640 étoiles.
88 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.
Label Studio est un outil d'étiquetage et d'annotation de données multi-types avec un format de sortie standardisé
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.
OpenVINO™ est un kit d'outils open source pour optimiser et déployer l'inférence IA.
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/
Une boîte à outils complète pour l'extraction de contenu PDF de haute qualité
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.
Paquet Go pour la vision par ordinateur utilisant OpenCV 4 et au-delà. Inclut le support pour DNN, CUDA, OpenCV Contrib et OpenVINO.
Des scripts concernant la détection d'objets et du code d'idées d'amélioration; consultez en détail le readme.md.
YOLOv6 : un framework de détection d'objets à un étage dédié aux applications industrielles.
Logiciel NVR et vision par ordinateur IA auto-hébergé, uniquement local. Avec des fonctionnalités telles que la détection d'objets, la détection de mouvement, la reconnaissance faciale et plus encore, il vous donne le pouvoir de surveiller votre maison, votre bureau ou tout autre endroit que vous souhaitez surveiller.
Étiquetage de données assisté par IA sans effort grâce au soutien IA de YOLO, Segment Anything (SAM+SAM2/2.1+SAM3) et MobileSAM!!
Excellent projet pour le recrutement universitaire, les campagnes d'automne, les campagnes de printemps et les stages ! Nous vous guiderons pas à pas dans l'implémentation d'une bibliothèque d'inférence d'apprentissage profond haute performance, prenant en charge l'inférence de grands modèles tels que llama2, Unet, YoloV5, Resnet, etc. Implémentez pas à pas une bibliothèque d'inférence d'apprentissage profond haute performance.
Boîte à outils et benchmark de la série YOLO d'OpenMMLab. Implémenté RTMDet, RTMDet-Rotated, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, PPYOLOE, etc.
Une implémentation PyTorch de l'algorithme de détection d'objets YOLO v3
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.
Précision moyenne moyenne - Ce code évalue les performances de votre réseau neuronal pour la reconnaissance d'objets.
🔥🔥🔥 Axé sur les modèles améliorés YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5, Support pour l'amélioration du backbone, du neck, de la tête, de la perte, de l'IoU, du NMS et d'autres modules🚀
🥂 Relevez gracieusement le défi hCaptcha avec un grand modèle linguistique multimodal.
Basé sur la détection de casques de personne YOLOv5 sur les sites de construction, système de reconnaissance de casques et de zones interdites pour la sécurité sur les sites de construction, 🚀😆avec un tutoriel ultra détaillé pour entraîner vos propres ensembles de données YOLOv5 🚀😆Nouveau en mars 2021 : interface utilisateur visuelle ❗❗
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Suivi d'objets multiples, basé sur l'algorithme hongrois + filtre de Kalman.
YOLO5Face : Pourquoi réinventer un détecteur de visages (https://arxiv.org/abs/2105.12931) Ateliers ECCV 2022)
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
implémentation de l'article - You Only Learn One Representation: Unified Network for Multiple Tasks (https://arxiv.org/abs/2105.04206)
🚀🚀🚀 Une collection de projets fantastiques de séries YOLO pour la détection d'objets publics et les ensembles de données de détection d'objets associés.
Entraînement tout-en-un pour les modèles de vision (YOLO, ViTs, RT-DETR, DINOv3) : pré-entraînement, fine-tuning, distillation.
Implémentation de « YOLOv13 : Détection d'objets en temps réel avec perception visuelle adaptative améliorée par hypergraphe ».
Second œil universel pour les joueurs handicapés (Aligneur de visée IA universel (AI Aimbot) - ONNX/YOLOv8 - C#)
un cadre ouvert pour la navigation des aveugles basé sur l'ESP32
Livres / PDFs / EPUBs pour différents domaines de la programmation. LIRE GRANDIR ET PROFITER 😊😊😊😊
Convertisseur de jeux de données JSON vers YOLO hérité pour les annotations COCO, LabelMe, Labelbox, VoTT, INFOLKS et ATH. Remplacé par convert_coco() dans le package Ultralytics.
:basketball::robot::basketball: Application web et API d'IA pour analyser les tirs de basketball et la pose de tir.
TensorRT pour la série YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), prise en charge du plugin NMS
LibreYOLO est une bibliothèque de vision par ordinateur open source sous licence MIT
Framework Python pour la vision par ordinateur et l'analyse vidéo avec batteries incluses
Foire aux questions
Quel est le dépôt #yolo le plus populaire sur GitHub ?
Le projet #yolo 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 #yolo ?
Parmi les projets #yolo les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook, TypeScript.
Comment le classement des dépôts #yolo est-il calculé ?
Nous suivons 88 dépôts open source actifs associés à #yolo (500+ étoiles), totalisant 433,903 étoiles, avec une moyenne de 4,930 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.