#object-detection Repository
Scopri 296 repository GitHub open source attivi contrassegnati con #object-detection, che raccolgono un totale di 1,201,862 stelle (con una media di 4,060 stelle per progetto). Il progetto leader di questo argomento è ultralytics/ultralytics, con 63,640 stelle.
296 repository in totale
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione delle immagini, stima della posa e tracciamento degli oggetti
Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
LocalAI è il motore AI open-source. Esegui qualsiasi modello - LLM, visione, voce, immagine, video - su qualsiasi hardware. Nessuna GPU richiesta.
Detectron2 è una piattaforma per il rilevamento di oggetti, segmentazione e altre attività di riconoscimento visivo.
Deep learning per l'elaborazione delle immagini, inclusa classificazione e rilevamento oggetti ecc.
Un semplice strumento di parsing dello schermo per agenti GUI basati esclusivamente sulla visione
Mask R-CNN per il rilevamento di oggetti e la segmentazione di istanze su Keras e TensorFlow
Un elenco curato di fantastiche risorse per la visione artificiale
CVAT è una piattaforma leader per l’annotazione dei dati relativi a dataset di immagini, video, audio e 3D. Offre prodotti open source, cloud ed enterprise, oltre a servizi di labeling, con labeling assistito dall’IA, garanzia della qualità, collaborazione in team, analisi e API per sviluppatori.
Questa è un'implementazione ufficiale per "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Toolkit per il rilevamento di oggetti basato su PaddlePaddle. Supporta il rilevamento di oggetti, la segmentazione di istanze, il tracciamento di più oggetti e il rilevamento di punti chiave di più persone in tempo reale.
Spiegabilità avanzata dell'IA per la visione artificiale. Supporto per CNN, Vision Transformers, Classificazione, Rilevamento oggetti, Segmentazione, Similarità di immagini e altro.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Articoli/Codice/Interpretazioni/Collezione di Trasmissioni Live, Organizzato dal Team Jimu
Il repository fornisce il codice per eseguire l'inferenza e il finetuning con il Meta Segment Anything Model 3 (SAM 3), link per scaricare i checkpoint del modello addestrato ed esempi di notebook che mostrano come utilizzare il modello.
Una lista di articoli sulla rilevazione di oggetti usando deep learning.
X-AnyLabeling: un’applicazione desktop multipiattaforma, leggera, efficiente e unificata per annotare testi, immagini, video, nuvole di punti e dati multimodali. Combina versatili strumenti integrati con modelli di IA all’avanguardia e offre flessibili opzioni di esportazione in più formati.
Implementazione PyTorch di YOLOv3, YOLOv3-SPP e YOLOv3-tiny per il rilevamento di oggetti in tempo reale con addestramento, validazione, inferenza ed esportazione in più formati.
YOLOX è un YOLO ad alte prestazioni senza ancoraggi, che supera yolov3~v5 con il supporto di MegEngine, ONNX, TensorRT, ncnn e OpenVINO. Documentazione: https://yolox.readthedocs.io/
Tecniche per il deep learning con immagini satellitari e aeree
RF-DETR è un'architettura di modello per il rilevamento e la segmentazione di oggetti in tempo reale sviluppata da Roboflow, SOTA su COCO, progettata per il fine-tuning. [ICLR 2026]
Best Practices, esempi di codice e documentazione per Computer Vision.
Una raccolta di tutorial sui modelli e le tecniche di visione artificiale all'avanguardia. Esplora tutto, dalle architetture fondamentali come ResNet ai modelli all'avanguardia come RF-DETR, YOLO11, SAM 3 e Qwen3-VL.
[ECCV 2024] Implementazione ufficiale del paper "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"
Guida Hello AI World per il deployment di reti di inferenza deep-learning e primitive di visione profonda con TensorRT e NVIDIA Jetson.
Una libreria Python costruita per abilitare gli sviluppatori a creare applicazioni e sistemi con capacità di Computer Vision autonome
Esperienza, Impara e Codifica le ultime innovazioni rivoluzionarie con Microsoft AI
Alcuni script sulla rilevazione di oggetti e codice con idee di miglioramento; dettagli nel readme.md.
La piattaforma di nuova generazione di OpenMMLab per il rilevamento generico di oggetti 3D.
NanoDet-Plus⚡Modello di deep learning per il rilevamento di oggetti super veloce e leggero senza ancoraggi. 🔥Solo 980 KB (int8) / 1,8 MB (fp16) ed esegue 97FPS su cellulare🔥
YOLOv6: un framework di rilevamento di oggetti a singolo stadio dedicato alle applicazioni industriali.
Un toolkit unificato per l'analisi di immagini di documenti basata sul deep learning
Inferenza affettata/tiled indipendente dal framework + interfaccia utente interattiva + grafici di analisi degli errori
Domande frequenti
Qual è il repository #object-detection più popolare su GitHub?
Il progetto open source #object-detection più alto in classifica su GitHub è ultralytics/ultralytics, con 63,640 stelle. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione delle immagini, stima della posa e tracciamento degli oggetti
Quali linguaggi di programmazione sono più utilizzati nei repository #object-detection?
Tra i progetti #object-detection più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, TypeScript, Go.
Come viene calcolata la classifica dei repository #object-detection?
Monitoriamo 296 repository open source attivi contrassegnati con #object-detection (500+ stelle), per un totale di 1,201,862 stelle e una media di 4,060 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.