tensorrt

Ultralytics YOLOv5 en PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.

NVIDIA® TensorRT™ est un SDK pour l'inférence de deep learning haute performance sur GPU NVIDIA. Ce dépôt contient les composants open source de TensorRT.

Implémentation PyTorch de YOLOv3, YOLOv3-SPP et YOLOv3-tiny pour la détection d'objets en temps réel, incluant l'entraînement, la validation, l'inférence et l'exportation multi-format.

YOLOX est un modèle YOLO haute performance sans ancres, surpassant yolov3~v5 avec prise en charge de MegEngine, ONNX, TensorRT, ncnn et OpenVINO.

Guide Hello AI World pour le déploiement de réseaux d'inférence en deep learning et de primitives de vision par ordinateur avec TensorRT et NVIDIA Jetson.

BoxMOT : Modules Python et C++ enfichables pour le suivi multi-objets SOTA, avec prise en charge des boîtes englobantes alignées sur les axes et orientées.

Implémentation de réseaux de deep learning populaires avec l'API de définition de réseau TensorRT.

📄 Boîtes à outils OCR impressionnantes pour plusieurs langages de programmation basées sur ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT et PyTorch.

Un convertisseur PyTorch vers TensorRT facile à utiliser.

TNN : développé par Tencent Youtu Lab et Guangying Lab, un framework d'inférence de deep learning uniforme pour mobile, desktop et serveur. TNN se distingue par sa compatibilité multiplateforme, ses hautes performances, la compression de modèles et l'élagage de code. Basé sur ncnn et Rapidnet, TNN renforce le support et l'optimisation des performances pour les appareils mobiles.

Tutoriel pratique PyTorch (2e édition) : couvre l'apprentissage pour débutants, les projets CV, NLP et LLM, ainsi que le déploiement en production. Ce livre permet de maîtriser PyTorch et de devenir un ingénieur en deep learning compétent.

Tengine est un moteur d'inférence modulaire, léger et haute performance pour appareils embarqués.

Implémentation de YOLOv4 en PyTorch, ONNX et TensorRT

Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant la détection, la segmentation, Stable-Diffusion et Face-Fusion.

Une implémentation quasi en temps réel de Whisper d'OpenAI.

Workflows de référence en IA générative optimisés pour une infrastructure accélérée et une architecture de microservices.

DAMO-YOLO : une méthode de détection d'objets rapide et précise intégrant de nouvelles technologies, notamment des backbones NAS, un RepGFPN efficace, ZeroHead, AlignedOTA et une amélioration par distillation.

Framework de déploiement de modèles OpenMMLab.

Compilateur PyTorch/TorchScript/FX pour GPU NVIDIA utilisant TensorRT.

Projets de vision par ordinateur (Python, C++, systèmes embarqués)

Serveur et interface en ligne de commande (CLI) de Deep Learning pour Torch et TensorRT

YOLOv5-Lite : Évolué à partir de YOLOv5, avec une taille de modèle de seulement 900+ ko (int8) et 1,7 Mo (fp16). Atteint 15 FPS sur Raspberry Pi 4B

Transformez n'importe quel ordinateur ou appareil périphérique en centre de commande pour vos projets de vision par ordinateur.

YOLO5Face : Pourquoi réinventer un détecteur de visages (ECCV Workshops 2022)

micronet, une bibliothèque de compression et de déploiement de modèles. Compression : 1. Quantification (QAT, High-Bit, Low-Bit/Ternary/Binary, PTQ 8-bit) ; 2. Élagage (normal, régulier, élagage de canaux de convolution de groupe) ; 3. Groupe.

Implémentation de YOLOv4, YOLOv4-tiny, YOLOv3, YOLOv3-tiny en Tensorflow 2.0 et Android. Conversion de poids YOLO v4 vers tensorflow, tensorrt et tflite

Implémentation du 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 pour les modèles YOLO.

Boîte à outils de déploiement YOLO plus simple et plus rapide pour NVIDIA

Un framework de déploiement d'IA simple, facile à utiliser et haute performance

YOLOv8 utilisant l'accélération TensorRT !