#object-detection Репозитории
Откройте для себя 296 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #object-detection, с общим числом 1,201,862 звёзд (в среднем 4,060 на проект). Лидером этой темы является ultralytics/ultralytics, набравший 63,640 звёзд.
Всего репозиториев: 296
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — обнаружение объектов, сегментация экземпляров, семантическая сегментация, классификация изображений, оценка позы и отслеживание объектов
Ultralytics YOLOv5 в PyTorch для обнаружения объектов, сегментации экземпляров, классификации, обучения и экспорта.
LocalAI — это открытый AI-движок. Запускайте любую модель — LLM, зрение, голос, изображения, видео — на любом оборудовании. GPU не требуется.
Detectron2 — это платформа для обнаружения объектов, сегментации и других задач визуального распознавания.
Глубокое обучение для обработки изображений, включая классификацию и обнаружение объектов и т.д.
Mask R-CNN для обнаружения объектов и сегментации экземпляров на Keras и TensorFlow
CVAT — ведущая платформа для аннотирования данных изображений, видео, аудио и 3D-наборов данных. Она предлагает продукты с открытым исходным кодом, облачные и корпоративные решения, а также услуги разметки с поддержкой ИИ, обеспечением качества, командной работой, аналитикой и API для разработчиков.
Это официальная реализация "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows".
Набор инструментов для обнаружения объектов на основе PaddlePaddle. Поддерживает обнаружение объектов, сегментацию экземпляров, отслеживание нескольких объектов и обнаружение ключевых точек нескольких человек в реальном времени.
Расширенная объяснимость ИИ для компьютерного зрения. Поддержка CNN, Vision Transformers, Классификация, Обнаружение объектов, Сегментация, Сходство изображений и многое другое.
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Статьи/Код/Интерпретации/Сборник прямых трансляций, Собрано командой Джиму
Репозиторий предоставляет код для выполнения вывода и тонкой настройки с помощью модели Meta Segment Anything Model 3 (SAM 3), ссылки для загрузки обученных контрольных точек модели и примеры ноутбуков, демонстрирующие использование модели.
Список статей по обнаружению объектов с использованием глубокого обучения.
X-AnyLabeling: лёгкое, эффективное и унифицированное кроссплатформенное настольное приложение для разметки текста, изображений, видео, облаков точек и мультимодальных данных. Оно сочетает универсальные встроенные инструменты с передовыми моделями ИИ и поддерживает гибкий экспорт в нескольких форматах.
Реализация YOLOv3, YOLOv3-SPP и YOLOv3-tiny на PyTorch для обнаружения объектов в реальном времени с поддержкой обучения, валидации, инференса и экспорта в различные форматы.
YOLOX — это высокопроизводительный YOLO без якоря, превосходящий yolov3~v5 с поддержкой MegEngine, ONNX, TensorRT, ncnn и OpenVINO. Документация: https://yolox.readthedocs.io/
Техники глубокого обучения с использованием спутниковых и аэрофотоснимков
RF-DETR — это архитектура модели для обнаружения и сегментации объектов в реальном времени, разработанная Roboflow, SOTA на COCO, предназначенная для тонкой настройки (fine-tuning). [ICLR 2026]
Лучшие практики, примеры кода и документация для Computer Vision.
Сборник обучающих материалов по передовым моделям и методам компьютерного зрения. Изучите всё: от фундаментальных архитектур, таких как ResNet, до новейших моделей, таких как RF-DETR, YOLO11, SAM 3 и Qwen3-VL.
[ECCV 2024] Официальная реализация статьи "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"
Руководство Hello AI World по развертыванию сетей вывода глубокого обучения и примитивов глубокого зрения с помощью TensorRT и NVIDIA Jetson.
Библиотека Python, созданная для того, чтобы дать разработчикам возможность создавать приложения и системы с автономными возможностями компьютерного зрения
Некоторые скрипты по обнаружению целей и код с идеями улучшения; подробности см. readme.md.
Платформа OpenMMLab следующего поколения для общего обнаружения 3D-объектов.
NanoDet-Plus⚡Сверхбыстрая и легкая модель обнаружения объектов без якорей. 🔥Всего 980 КБ (int8) / 1,8 МБ (fp16) и работает со скоростью 97 FPS на мобильных телефонах🔥
YOLOv6: одноэтапный фреймворк для обнаружения объектов, предназначенный для промышленных применений.
Единый набор инструментов для анализа изображений документов на основе глубокого обучения
Независимая от фреймворка сегментированная/тайловая инференция + интерактивный пользовательский интерфейс + графики анализа ошибок
Часто задаваемые вопросы
Какой репозиторий по теме #object-detection наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #object-detection на GitHub — ultralytics/ultralytics, набравший 63,640 звёзд. Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — обнаружение объектов, сегментация экземпляров, семантическая сегментация, классификация изображений, оценка позы и отслеживание объектов
Какие языки программирования чаще всего используются в репозиториях по теме #object-detection?
Среди наиболее высоко оценённых проектов по теме #object-detection на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, TypeScript, Go.
Как рассчитывается рейтинг репозиториев по теме #object-detection?
Мы отслеживаем 296 активных репозиториев с открытым исходным кодом, отмеченных тегом #object-detection (500 и более звёзд), с общим числом 1,201,862 звёзд и в среднем 4,060 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.