#yolov5 Repository
Scopri 41 repository GitHub open source attivi contrassegnati con #yolov5, che raccolgono un totale di 152,009 stelle (con una media di 3,707 stelle per progetto). Il progetto leader di questo argomento è ultralytics/yolov5, con 58,290 stelle.
41 repository in totale
Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
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.
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.
Implementazione di reti di deep learning popolari con l'API di definizione della rete TensorRT
Che tu sia un principiante assoluto, che si tratti di applicazioni di progetto in CV, NLP, LLM, o di implementazione ingegeristica avanzata, troverai tutto in «Tutorial pratico su PyTorch» (Seconda edizione). Crediamo che con l'aiuto di questo libro, i lettori saranno in grado di padroneggiare facilmente l'uso di PyTorch e diventare eccellenti ingegneri di deep learning.
Un toolkit AI leggero in C++: oltre 100 modelli con MNN, ORT e TRT, inclusi Det, Seg, Stable-Diffusion, Face-Fusion.
Ottimo progetto per neolaureati, autunnali, primaverili e stage! Ti guideremo passo dopo passo nell'implementazione di una libreria di inferenza deep learning ad alte prestazioni, supportando l'inferenza di modelli di grandi dimensioni come llama2, Unet, YoloV5, Resnet, ecc. Implementa passo dopo passo una libreria di inferenza deep learning ad alte prestazioni.
Toolbox e benchmark della serie YOLO di OpenMMLab. Implementati RTMDet, RTMDet-Rotated, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, PPYOLOE, ecc.
DAMO-YOLO: un metodo di rilevamento di oggetti veloce e accurato con alcune nuove tecnologie, tra cui backbone NAS, efficiente RepGFPN, ZeroHead, AlignedOTA e miglioramento della distillazione.
🔥🔥🔥 Concentrato su modelli migliorati YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5, Supporto per il miglioramento di backbone, neck, head, loss, IoU, NMS e altri moduli🚀
Immagini per inferenza senza etichettatura (utilizzare modelli di base per addestrare modelli supervisionati).
Basato su YOLOv5 Head Person Helmet Detection nei cantieri, sistema di riconoscimento di caschi e zone vietate per la sicurezza nei cantieri, 🚀😆con tutorial super dettagliato sull'addestramento dei propri set di dati con YOLOv5 🚀😆Nuovo a marzo 2021: interfaccia utente visiva ❗❗
Trasforma qualsiasi computer o dispositivo edge in un centro di comando per i tuoi progetti di computer vision.
🍅🍅🍅YOLOv5-Lite: Evoluto da yolov5 e la dimensione del modello è solo 900+kb (int8) e 1,7M (fp16). Raggiunge 15 FPS sul Raspberry Pi 4B~
YOLO5Face: Perché reinventare un rilevatore di volti (https://arxiv.org/abs/2105.12931) Workshop ECCV 2022)
yolov5 rilevamento targa riconoscimento targa riconoscimento targa cinese rilevamento supporta 12 tipi di targhe cinesi supporta targhe a doppio strato
🚀🚀🚀 Una raccolta di alcuni fantastici progetti della serie YOLO per il rilevamento di oggetti pubblici e i relativi set di dati per il rilevamento di oggetti.
Implementazione di selezione del testo, selezione di caratteri, selezione e riconoscimento di captcha touch-based, addestrato su PyTorch
PaddleSlim è una libreria open-source per la compressione di modelli profondi e la ricerca di architetture.
Inferenza Yolov5 deepsort, utilizzando YOLOv5+Deepsort per il tracciamento e il conteggio di veicoli e pedoni, il codice è incapsulato in una classe Detector, più facile da incorporare nei propri progetti
🔥🔥🔥TensorRT per YOLO26 (rilevamento/posa/segmentazione/profondità/box orientati/classificazione), YOLOv11, YOLOv10, YOLOv9, YOLOv8, ... 🚀🚀🚀 CUDA È TUTTO CIÒ DI CUI HAI BISOGNO. 🍎🍎🍎
fire-smoke-detect-yolov4-yolov5 e fire-smoke-detection-dataset rilevamento incendi, rilevamento fumo
TensorRT8 supporta Yolov5n,s,m,l,x .darknet -> tensorrt. Yolov4 Yolov3 usano i file raw darknet *.weights e *.cfg. Se il wrapper ti è utile, per favore metti una Stella.
TensorRT per la serie YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), supporto plugin NMS
yolort è uno stack di runtime per yolov5 su acceleratori specializzati come tensorrt, libtorch, onnxruntime, tvm e ncnn.
GUI per segnare riquadri delimitanti degli oggetti nelle immagini per l'addestramento della rete neurale YOLO
Una semplice demo di yolov5s in esecuzione su rk3588/3588s tramite c++ (circa 142 frame/s). / Una semplice demo di yolov5s in esecuzione su rk3588/3588s tramite c++ (circa 142 frame/s).
Yolov5 più leggibile e flessibile con più backbone (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer, ecc.) e (cbam, dcn e così via), e tensorrt
basato sul progetto di alto livello YOLO (detect\pose\classify\segment\): include YOLOv5\YOLOv7\YOLOv8\ Core, ricerca di miglioramento, SwinTransformerV2 e Attention Series. abilità di formazione, personalizzazione aziendale, distribuzione ingegneristica C
🚀🚀🚀 Serie YOLO di implementazioni PaddlePaddle, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet e così via. 🚀🚀🚀
Stima della profondità mono / stereo + rilevamento oggetti YOLO con distribuzione su Jetson Nano / TX2 / GeForce tramite TensorRT
Rilevatori, Tracker e SAM di computer vision facili e modulari - Esegui YOLOv9,v8,v7,v6,v5,R,X in meno di 10 righe di codice.
Rilevamento rapido di oggetti in tempo reale con output ad alta risoluzione https://x.com/_akhaliq/status/1840213012818329826 https://x.com/githubprojects/status/1891370506537910724 https://www.threads.net/@githubprojects/post/DGKdoE4zdUX
Rilevamento + riconoscimento di targhe automobilistiche utilizzando YOLOv5 e LPRNet (dataset CCPD)
YOLO SHOW - GUI YOLO basata su Pyside6 per YOLOv11 / YOLOv10 / YOLOv9 / YOLOv8 / YOLOv7 / YOLOv5 / RTDETR / SAM / MobileSAM / FastSAM
YOLO Magic🪄 è un'estensione basata su YOLOv5 di Ultralytics, progettata per fornire funzionalità più potenti e operazioni più semplici per attività visive.
Domande frequenti
Qual è il repository #yolov5 più popolare su GitHub?
Il progetto open source #yolov5 più alto in classifica su GitHub è ultralytics/yolov5, con 58,290 stelle. Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
Quali linguaggi di programmazione sono più utilizzati nei repository #yolov5?
Tra i progetti #yolov5 più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++, Jupyter Notebook, C.
Come viene calcolata la classifica dei repository #yolov5?
Monitoriamo 41 repository open source attivi contrassegnati con #yolov5 (500+ stelle), per un totale di 152,009 stelle e una media di 3,707 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.