yolo

Ultralytics YOLO26, YOLO11, YOLOv8 — Objekterkennung, Instanzen-Segmentierung, semantische Segmentierung, Bildklassifizierung, Pose-Schätzung, Objekttracking

Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.

Wir erstellen Ihre wiederverwendbaren Computer-Vision-Tools. 💜

OpenMMLab Detection Toolbox und Benchmark

Label Studio ist ein mehrtypiges Daten-Labeling- und Annotation-Tool mit standardisiertem Ausgabeformat.

OpenVINO™ ist ein Open-Source-Toolkit zur Optimierung und Bereitstellung von KI-Inferenz

PyTorch-Implementierung von YOLOv3, YOLOv3-SPP und YOLOv3-tiny für die Echtzeit-Objekterkennung mit Training, Validierung, Inferenz und Multiformat-Export.

YOLOX ist ein leistungsstarkes, anchor-freies YOLO, das YOLOv3~v5 übertrifft, mit Unterstützung für MegEngine, ONNX, TensorRT, ncnn und OpenVINO. Dokumentation: https://yolox.readthedocs.io/

X-AnyLabeling: Eine leichte, effiziente und einheitliche plattformübergreifende Desktop-Anwendung zur Annotation von Text-, Bild-, Video- und multimodalen Daten, die vielseitige integrierte Tools mit modernen KI-Modellen und flexiblem Multi-Format-Export kombiniert.

BoxMOT: Steckbare Python- und C++-SOTA-Multi-Objekt-Tracking-Module mit Unterstützung für achsenparallele und orientierte Bounding Boxes

Go-Paket für Computer Vision mit OpenCV 4 und neuer. Beinhaltet Unterstützung für DNN, CUDA, OpenCV Contrib und OpenVINO.

YOLOv6: Ein einstufiges Objekterkennungs-Framework für industrielle Anwendungen.

Implementiere Schritt für Schritt eine hochleistungsfähige Deep-Learning-Inferenzbibliothek, die Modelle wie Llama2, Unet, Yolov5, Resnet und andere unterstützt.

OpenMMLab YOLO-Serien-Toolbox und Benchmark. Implementiert RTMDet, RTMDet-Rotated, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, PPYOLOE usw.

Selbstgehostete, rein lokale NVR- und KI-Computer-Vision-Software. Mit Funktionen wie Objekterkennung, Bewegungserkennung, Gesichtserkennung und mehr bietet sie Ihnen die Möglichkeit, Ihr Zuhause, Ihr Büro oder jeden anderen Ort zu überwachen.

Mühelose KI-gestützte Datenbeschriftung mit KI-Unterstützung durch YOLO, Segment Anything (SAM+SAM2/2.1+SAM3), MobileSAM!!

Eine PyTorch-Implementierung des YOLO-v3-Objekterkennungsalgorithmus

DAMO-YOLO: Eine schnelle und präzise Objekterkennungsmethode mit neuen Technologien wie NAS-Backbones, effizientem RepGFPN, ZeroHead, AlignedOTA und Distillationsverbesserung.

mean Average Precision – Dieser Code bewertet die Leistung Ihres neuronalen Netzes zur Objekterkennung.

🔥🔥🔥 Fokus auf YOLO11, YOLOv8, YOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5 Verbesserungsmodelle, Unterstützung zur Verbesserung von Backbone, Neck, Head, Loss, IoU, NMS und anderen Modulen🚀

Auf YOLOv5 basierendes System zur Erkennung von Personen, Schutzhelmen und Sperrbereichen auf Baustellen, 🚀😆 inkl. detailliertem Tutorial zum Trainieren eigener Datensätze mit YOLOv5 🚀😆 März 2021: Visualisierungsoberfläche hinzugefügt❗❗

YoloV3 implementiert in Tensorflow 2.0

Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Zeitreihen-Anomalieerkennung mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellung Ihres ersten neuronalen Netzwerks, Zeitreihenvorhersage für tägliche Coronavirus-Fälle, Sentiment-Analyse mit BERT

🥂 Meistere hCaptcha-Herausforderungen elegant mit multimodalen großen Sprachmodellen.

YOLO ROS: Echtzeit-Objekterkennung für ROS

Mehrfachobjekt-Tracker, basierend auf dem ungarischen Algorithmus und dem Kalman-Filter.

YOLO5Face: Why Reinventing a Face Detector (https://arxiv.org/abs/2105.12931) ECCV Workshops 2022)

🛡️ Eine Liste aller Profilabzeichen und wie man sie erhält 🛡️

NVIDIA DeepStream SDK 8.0 / 7.1 / 7.0 / 6.4 / 6.3 / 6.2 / 6.1.1 / 6.1 / 6.0.1 / 6.0 / 5.1 Implementierung für YOLO-Modelle

Scaled-YOLOv4: Skalierung von Cross Stage Partial Network