yolov5

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

Boîte à outils de détection d'objets basée sur PaddlePaddle. Elle prend en charge la détection d'objets, la segmentation d'instances, le suivi d'objets multiples et la détection de points clés multi-personnes en temps réel.

Une collection de tutoriels sur les modèles et techniques de vision par ordinateur de pointe. Explorez tout, des architectures fondamentales comme ResNet aux modèles de pointe comme RF-DETR, YOLO11, SAM 3 et Qwen3-VL.

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

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.

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.

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.

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.

🔥🔥🔥 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🚀

Inférence d'images sans étiquetage (utilisation de modèles de fondation pour entraîner des modèles supervisés).

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.

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)

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

Détection et reconnaissance de plaques d'immatriculation chinoises avec YOLOv5, incluant le support pour 12 types de plaques et les plaques à deux lignes.

🚀🚀🚀 Une collection de projets publics exceptionnels de la série de détection d'objets YOLO et des jeux de données de détection d'objets associés.

PaddleSlim est une bibliothèque open source pour la compression de modèles profonds et la recherche d'architecture.

Détection d'incendie et de fumée basée sur YOLOv4/YOLOv5 avec jeu de données associé.

Inférence Yolov5 deepsort, implémentant le suivi et le comptage de véhicules et de piétons avec YOLOv5+Deepsort, code encapsulé dans une classe Detector pour une intégration facilitée dans vos projets.

TensorRT pour YOLOv8, YOLOv8-Pose, YOLOv8-Seg, YOLOv8-Cls, YOLOv7, YOLOv6, YOLOv5, YOLONAS. CUDA est tout ce dont vous avez besoin.

Support de TensorRT 8 pour Yolov5n, s, m, l, x. Conversion de Darknet vers TensorRT. Yolov4 et Yolov3 utilisent les fichiers *.weights et *.cfg natifs de Darknet.

TensorRT pour la série YOLO (YOLOv11, YOLOv10, YOLOv9, YOLOv8, YOLOv7, YOLOv6, YOLOX, YOLOv5), avec prise en charge du plugin NMS.

MetaSeg : Version packagée du dépôt Segment Anything

Détection de visages avec points de repère basée sur YOLOv8.

yolort est une pile d'exécution pour yolov5 sur des accélérateurs spécialisés tels que tensorrt, libtorch, onnxruntime, tvm et ncnn.

Interface graphique pour annoter des boîtes englobantes d'objets dans des images pour l'entraînement du réseau de neurones YOLO

Détection d'objets rapide en temps réel avec sortie haute résolution

Yolov5 plus lisible et flexible avec davantage de backbones (gcn, resnet, shufflenet, mobilenet, efficientnet, hrnet, swin-transformer, etc.) et de modules (cbam, dcn, etc.), ainsi que TensorRT