#yolov8 Dépôts
Découvrez 45 dépôts GitHub open source actifs associés à #yolov8, cumulant 142,973 étoiles au total (soit une moyenne de 3,177 étoiles par projet). Le projet en tête de ce thème est ultralytics/ultralytics, avec 63,640 étoiles.
45 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
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
Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant Det, Seg, Stable-Diffusion, Face-Fusion.
Étiquetage de données assisté par IA sans effort grâce au soutien IA de YOLO, Segment Anything (SAM+SAM2/2.1+SAM3) et MobileSAM!!
Boîte à outils et benchmark de la série YOLO d'OpenMMLab. Implémenté RTMDet, RTMDet-Rotated, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, PPYOLOE, etc.
🔥🔥🔥 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).
Transformez n'importe quel ordinateur ou appareil edge en un centre de commande pour vos projets de vision par ordinateur.
Bibliothèque d'inférence légère pour fichiers ONNX, écrite en C++. Elle peut exécuter Stable Diffusion XL 1.0 sur un RPI Zero 2 (ou dans 298 Mo de RAM) mais aussi Mistral 7B sur les ordinateurs de bureau et les serveurs. Support ARM, x86, WASM, RISC-V. Accéléré par XNNPACK. Bindings Python, C# et JS (WASM) disponibles.
🚀🚀🚀 Une collection de projets fantastiques de séries YOLO pour la détection d'objets publics et les ensembles de données de détection d'objets associés.
Détermination de la localisation d'objets détectables à basse altitude. Le SOTA en IA FOSS pour drones !
Second œil universel pour les joueurs handicapés (Aligneur de visée IA universel (AI Aimbot) - ONNX/YOLOv8 - C#)
TensorRT pour la série YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), prise en charge du plugin NMS
🔥🔥🔥Boîte à outils d'algorithmes d'IA gratuite et hors ligne pour Java, prenant en charge la reconnaissance faciale, la détection de vivacité, la reconnaissance d'expressions, la détection d'objets, la segmentation d'instances, la détection de piétons, la reconnaissance de texte OCR, la reconnaissance de plaques d'immatriculation, la reconnaissance de tableaux, ASR+TTS, la traduction automatique et d'autres fonctions, utilisable par référence Maven. Prend en charge PyTorch, Tensorflow et a intégré des modèles courants tels que Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5), Whisper, etc.
Framework Python pour la vision par ordinateur et l'analyse vidéo avec batteries incluses
YoloDotNet - Un projet C# .NET 8.0 pour la classification, la détection d'objets, la détection OBB, la segmentation et l'estimation de pose dans les images et les flux vidéo en direct.
GUI pour marquer les boîtes délimitées des objets dans les images pour l'entraînement du réseau neuronal YOLO
Reconnaissance de CAPTCHA à curseur avec une ou plusieurs fentes, installation et utilisation via pip, avec possibilité de déployer l’API en local ou sur un serveur
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. 🚀🚀🚀
Suivi d'objets YOLOv7 utilisant PyTorch, OpenCV et le suivi Sort
Affinez et améliorez la qualité des petits visages dans les vidéos MiniMax H3. Suivez les visages image par image, recadrez-les, améliorez-les avec H3, puis réintégrez-les à la vidéo.
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.
🚀 Une solution de détection d'objets en temps réel haute performance utilisant YOLO11 ⚡️ alimentée par ONNX-Runtime
Une implémentation d'accélérateur de réseau neuronal convolutif sur FPGA, xilinx (xczu7ev-ffvc1156-2-i), l'inférence de yolov8 a pris 60 ms.
Bibliothèque Python pour la détection de petits objets YOLO et la segmentation d'instances
Une boîte à outils pour le déploiement de modèles d'apprentissage profond utilisant C++ YoloX | YoloV7 | YoloV8 | Gan | OCR | MobileVit | Scrfd | MobileSAM | StableDiffusion
YOLO SHOW - GUI YOLO basée sur Pyside6 pour YOLOv11 / YOLOv10 / YOLOv9 / YOLOv8 / YOLOv7 / YOLOv5 / RTDETR / SAM / MobileSAM / FastSAM
Détection de plaques d'immatriculation YOLOv8, reconnaissance de plaques d'immatriculation, reconnaissance de plaques chinoises, prend en charge 12 types de plaques chinoises, prend en charge les plaques à deux niveaux
Foire aux questions
Quel est le dépôt #yolov8 le plus populaire sur GitHub ?
Le projet #yolov8 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 #yolov8 ?
Parmi les projets #yolov8 les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, C#, Jupyter Notebook.
Comment le classement des dépôts #yolov8 est-il calculé ?
Nous suivons 45 dépôts open source actifs associés à #yolov8 (500+ étoiles), totalisant 142,973 étoiles, avec une moyenne de 3,177 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.