#yolov3 Dépôts
Découvrez 30 dépôts GitHub open source actifs associés à #yolov3, cumulant 106,532 étoiles au total (soit une moyenne de 3,551 étoiles par projet). Le projet en tête de ce thème est PaddlePaddle/PaddleDetection, avec 14,482 étoiles.
30 dépôts au total
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.
Mise en œuvre de l'article - YOLOv7 : Les ensembles de techniques d'entraînement "bag-of-freebies" établissent un nouvel état de l'art pour les détecteurs d'objets en temps réel
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/
Implémentation de réseaux d'apprentissage profond populaires avec l'API de définition de réseau TensorRT
🔥 Code TensorFlow pour le rapport technique : « YOLOv3 : An Incremental Improvement »
Une implémentation PyTorch de l'algorithme de détection d'objets YOLO v3
🔥🔥🔥 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🚀
YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny implémentés dans Tensorflow 2.0, Android. Convertir YOLO v4 .weights en tensorflow, tensorrt et tflite
Il s'agit du code source de yolo3-pytorch, qui peut être utilisé pour entraîner votre propre modèle.
TensorRT8 prend en charge Yolov5n,s,m,l,x .darknet -> tensorrt. Yolov4 Yolov3 utilisent les fichiers raw darknet *.weights et *.cfg. Si le wrapper vous est utile, veuillez l'étoiler.
TensorRT pour la série YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), prise en charge du plugin NMS
GUI pour marquer les boîtes délimitées des objets dans les images pour l'entraînement du réseau neuronal YOLO
Notes de projet + Reproduction d'articles + Compétitions algorithmiques + Pratique PyTorch + LeetCode + Pré-entraînement VLM
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
🚀🚀🚀 Série YOLO d'implémentations PaddlePaddle, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet et ainsi de suite. 🚀🚀🚀
Création d'un logiciel de surveillance automatique dans le cadre de la surveillance en ligne
Convertir le modèle MMDetection en TensorRT, prendre en charge fp16, int8, entrées par lots, forme dynamique, etc.
Foire aux questions
Quel est le dépôt #yolov3 le plus populaire sur GitHub ?
Le projet #yolov3 open source le mieux classé sur GitHub est PaddlePaddle/PaddleDetection, avec 14,482 étoiles. 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.
Quels langages de programmation sont les plus utilisés dans les dépôts #yolov3 ?
Parmi les projets #yolov3 les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, C.
Comment le classement des dépôts #yolov3 est-il calculé ?
Nous suivons 30 dépôts open source actifs associés à #yolov3 (500+ étoiles), totalisant 106,532 étoiles, avec une moyenne de 3,551 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.