#yolov5 Dépôts
Découvrez 41 dépôts GitHub open source actifs associés à #yolov5, cumulant 152,009 étoiles au total (soit une moyenne de 3,707 étoiles par projet). Le projet en tête de ce thème est ultralytics/yolov5, avec 58,290 étoiles.
41 dépôts au total
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
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.
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.
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.
Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant Det, Seg, Stable-Diffusion, Face-Fusion.
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.
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.
🔥🔥🔥 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🚀
Images pour l'inférence sans étiquetage (utilisez des modèles fondamentaux pour entraîner des modèles supervisés).
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 ❗❗
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)
yolov5 détection de plaque d'immatriculation reconnaissance de plaque d'immatriculation reconnaissance de plaque d'immatriculation chinoise détection prend en charge 12 types de plaques d'immatriculation chinoises prend en charge les plaques d'immatriculation à double couche
🚀🚀🚀 Une collection de projets fantastiques de séries YOLO pour la détection d'objets publics et les ensembles de données de détection d'objets associés.
Mise en œuvre de la sélection de texte, de la sélection de caractères, de la sélection et de la reconnaissance de captcha par toucher, entraînée sur PyTorch
PaddleSlim est une bibliothèque open-source pour la compression de modèles profonds et la recherche d'architecture.
Inférence Yolov5 deepsort, utilisation de YOLOv5+Deepsort pour le suivi et le comptage de véhicules et de piétons, le code est encapsulé dans une classe Detector, plus facile à intégrer dans vos propres projets
🔥🔥🔥TensorRT pour YOLO26 (détection/pose/segmentation/profondeur/boîtes orientées/classification), YOLOv11, YOLOv10, YOLOv9, YOLOv8, ... 🚀🚀🚀 CUDA, C’EST TOUT CE QU’IL VOUS FAUT. 🍎🍎🍎
fire-smoke-detect-yolov4-yolov5 et fire-smoke-detection-dataset détection d'incendie, détection de fumée
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
yolort est une pile d'exécution pour yolov5 sur des accélérateurs spécialisés tels que tensorrt, libtorch, onnxruntime, tvm et ncnn.
GUI pour marquer les boîtes délimitées des objets dans les images pour l'entraînement du réseau neuronal YOLO
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. 🚀🚀🚀
Estimation de profondeur mono / stéréo + détection d'objets YOLO avec déploiement sur Jetson Nano / TX2 / GeForce via TensorRT
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.
Détection d'objets rapide en temps réel avec sortie haute résolution https://x.com/_akhaliq/status/1840213012818329826 https://x.com/githubprojects/status/1891370506537910724 https://www.threads.net/@githubprojects/post/DGKdoE4zdUX
Détection + reconnaissance de plaques d'immatriculation à l'aide de YOLOv5 et LPRNet (jeu de données CCPD)
YOLO SHOW - GUI YOLO basée sur Pyside6 pour YOLOv11 / YOLOv10 / YOLOv9 / YOLOv8 / YOLOv7 / YOLOv5 / RTDETR / SAM / MobileSAM / FastSAM
YOLO Magic🪄 est une extension basée sur YOLOv5 d'Ultralytics, conçue pour offrir des fonctionnalités plus puissantes et des opérations plus simples pour les tâches visuelles.
Foire aux questions
Quel est le dépôt #yolov5 le plus populaire sur GitHub ?
Le projet #yolov5 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 #yolov5 ?
Parmi les projets #yolov5 les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook, C.
Comment le classement des dépôts #yolov5 est-il calculé ?
Nous suivons 41 dépôts open source actifs associés à #yolov5 (500+ étoiles), totalisant 152,009 étoiles, avec une moyenne de 3,707 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.