#object-detection Репозитории
Всего репозиториев: 296
Статьи, код и наборы данных по глубокому обучению для обнаружения 3D-объектов.
Простая демонстрация yolov5s, работающего на rk3588/3588s с использованием C++ (около 142 кадров/с). / Простая демонстрация yolov5s, работающего на rk3588/3588s с использованием C++ (около 142 кадров/с).
Более читаемый и гибкий Yolov5 с дополнительными бэкбонами (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer и т. д.) и (cbam, dcn и так далее), а также tensorrt
на основе проекта высокого уровня yolo (обнаружение\поза\классификация\сегментация\): включает YOLOv5\YOLOv7\YOLOv8\ Core, исследование улучшений, SwinTransformerV2 и серию Attention. навыки обучения, индивидуальная настройка бизнеса, инженерное развертывание C
🚀🚀🚀 Серия YOLO реализации PaddlePaddle, PP-YOLOE+, RT-DETR, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv10, YOLO11, YOLOX, YOLOv5u, YOLOv7u, YOLOv6Lite, RTMDet и так далее. 🚀🚀🚀
Набор данных Exclusively Dark (ExDARK), который, насколько нам известно, является крупнейшей коллекцией низкоосвещённых изображений, снятых в условиях очень слабого освещения до сумерек (т.е. 10 различных условий) до настоящего времени, с аннотациями уровня классов изображений и объектов.
Отслеживание объектов YOLOv7 с использованием PyTorch, OpenCV и Sort Tracking
Этот репозиторий представляет собой тщательно подобранную коллекцию самых захватывающих и влиятельных статей CVPR 2023. 🔥 [Статья + Код]
Энд-ту-энд конвейер обнаружения объектов YOLOv4/v3/v2, реализованный на tf.keras с различными технологиями
Моно / стерео оценка глубины + YOLO обнаружение объектов с развертыванием на Jetson Nano / TX2 / GeForce с помощью TensorRT
Обнаружение объектов с помощью 4D-радара для автономного вождения в различных погодных условиях
Создавайте полностью функциональные модели компьютерного зрения с помощью PyTorch
Tensorflow Faster R-CNN для Windows/Linux и Python 3 (3.5/3.6/3.7)
Фреймворк распознавания видеоинстансов следующего поколения на базе Detectron2, поддерживающий InstMove (CVPR 2023), SeqFormer (ECCV Oral) и IDOL (ECCV Oral).
Простые и модульные детекторы, трекеры и SAM для компьютерного зрения - Запустите YOLOv9,v8,v7,v6,v5,R,X менее чем за 10 строк кода.
Инструмент генерации данных для обучения ML на основе компьютерного зрения :rocket:
Фреймворк, позволяющий донастраивать модели сопряжения "зрение-язык" на пользовательских наборах данных
[CVPR 2024] Aligning and Prompting Everything All at Once for Universal Visual Perception
OBBDetection — это библиотека для обнаружения ориентированных объектов, основанная на MMdetection.
Преобразовать модель MMDetection в TensorRT, поддержка fp16, int8, пакетного ввода, динамической формы и т. д.
Аугментация изображений для компьютерного зрения. Только лицензия AGPL-3.0 или коммерческое лицензирование.
Узлы ComfyUI для моделей зрения-языка: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. А также обнаружение с открытым словарем, сегментация SAM2/SAM3, временное видео-рассуждение, GGUF через llama.cpp и размещенные API LLM/VLM.
Детектирование + распознавание номерных знаков с использованием YOLOv5 и LPRNet (набор данных CCPD)
[NeurIPS 2020] Этот проект представляет собой надежную одноэтапную базовую линию для классификации, обнаружения и сегментации экземпляров с длинным хвостом (LVIS). Это также реализация на PyTorch статьи NeurIPS 2020 «Классификация с длинным хвостом путем сохранения хорошего и удаления плохого причинного эффекта импульса».
🚀 Высокопроизводительное решение для обнаружения объектов в реальном времени с использованием YOLO11 ⚡️ на базе ONNX-Runtime
[ICLR 2025 Spotlight] Vision-RWKV: Эффективное и масштабируемое визуальное восприятие с архитектурами типа RWKV
RectLabel — это оффлайн-инструмент для аннотации изображений для обнаружения объектов и сегментации.
Код и рекомендации по реализации для статьи ✨Counting Anything. Страница проекта: https://mengqi-lei.github.io/count-anything-projectpage/
Бесплатная библиотека с открытым исходным кодом для обнаружения объектов и семантической сегментации на основе ИИ в геопространственных растрах. 🚀
Приложение Ultralytics YOLO для iOS и пакет Swift для вывода Core ML в реальном времени в основных задачах компьютерного зрения.
Официальный плагин Ultralytics YOLO для Flutter, обеспечивающий вывод в реальном времени на Android и iOS для основных задач компьютерного зрения.
Обнаружение объектов на нескольких наборах данных с автоматически изученным унифицированным пространством меток.
Создайте визуализацию дорожного движения в стиле цифрового двойника, используя только записи с камер видеонаблюдения в формате MP4 и их местоположение на Google Картах.
"Learning Delicate Local Representations for Multi-Person Pose Estimation" (ECCV 2020 Spotlight) & (Победитель конкурса COCO 2019 по обнаружению ключевых точек человека) & (Премия за лучшую статью COCO 2019)