yolo

Ultralytics YOLO26, YOLO11, YOLOv8 — détection d'objets, segmentation d'instances, segmentation sémantique, classification d'images, estimation de pose, suivi d'objets.

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

Nous développons vos outils de vision par ordinateur réutilisables. 💜

Boîte à outils et benchmark de détection OpenMMLab

Label Studio est un outil d'étiquetage et d'annotation de données multi-types avec un format de sortie standardisé.

OpenVINO™ est une boîte à outils open source pour l'optimisation et le déploiement de l'inférence IA.

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.

X-AnyLabeling : une application de bureau multiplateforme légère, efficace et unifiée pour l'annotation de texte, d'images, de vidéos et de données multimodales, combinant des outils intégrés polyvalents avec des modèles d'IA de pointe et une exportation flexible multi-format.

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.

Package Go pour la vision par ordinateur utilisant OpenCV 4 et versions ultérieures. Inclut le support pour DNN, CUDA, OpenCV Contrib et OpenVINO.

YOLOv6 : un framework de détection d'objets à étape unique dédié aux applications industrielles.

Projet idéal pour le recrutement ! Implémentez étape par étape une bibliothèque d'inférence de deep learning haute performance, prenant en charge des modèles comme Llama2, Unet, Yolov5, Resnet, etc.

Boîte à outils et benchmark de la série YOLO d'OpenMMLab. Inclut RTMDet, RTMDet-Rotated, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOX, PPYOLOE, etc.

Logiciel NVR et de vision par ordinateur IA auto-hébergé et local. Avec des fonctionnalités telles que la détection d'objets, de mouvement, la reconnaissance faciale et plus encore, il permet de surveiller votre domicile, bureau ou tout autre lieu.

Étiquetage de données assisté par IA sans effort, avec le support de YOLO, Segment Anything (SAM+SAM2/2.1+SAM3) et MobileSAM.

Une implémentation PyTorch de l'algorithme de détection d'objets YOLO v3.

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.

mean Average Precision - Ce code évalue les performances de votre réseau de neurones pour la reconnaissance d'objets.

🔥🔥🔥 Modèles améliorés axés sur YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7 et YOLOv5, avec prise en charge de l'amélioration du backbone, du neck, de la head, de la perte, de l'IoU, du NMS et d'autres modules🚀

Système de détection de casques de sécurité et de zones dangereuses sur les chantiers basé sur YOLOv5, incluant un tutoriel détaillé pour l'entraînement sur vos propres jeux de données et une interface visuelle.

Implémentation de YoloV3 en Tensorflow 2.0.

Tutoriels Jupyter Notebook sur la résolution de problèmes réels avec le Machine Learning et le Deep Learning en utilisant PyTorch. Sujets : détection de visages avec Detectron 2, détection d'anomalies de séries temporelles avec des auto-encodeurs LSTM, détection d'objets avec YOLO v5, création de votre premier réseau de neurones, prévision de séries temporelles pour les cas quotidiens de coronavirus, analyse de sentiment avec BERT

🥂 Résolvez les défis hCaptcha avec élégance grâce à un modèle de langage multimodal.

YOLO ROS : Détection d'objets en temps réel pour ROS.

Suivi d'objets multiples basé sur l'algorithme hongrois et le filtre de Kalman

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

Une liste de tous les badges de profil et comment obtenir chacun d'entre eux

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.

Scaled-YOLOv4 : mise à l'échelle du réseau Cross Stage Partial