object-detection

适用于 Torch 和 TensorRT 的深度学习服务器与 CLI

使用深度学习进行目标跟踪与检测的论文、数据集、代码和其他资源集合

使用 TensorFlow 2.0 实现的 YOLOv3

使用 PyTorch 通过机器学习与深度学习解决实际问题的 Jupyter Notebook 教程。主题包含：使用 Detectron 2 进行人脸检测、使用 LSTM Autoencoders 进行时间序列异常检测、使用 YOLO v5 进行对象检测、建立你的第一个神经网络、针对冠状病毒每日确诊数的时间序列预测、使用 BERT 进行情感分析

轻量级裸露画面检测

YOLO ROS：适用于 ROS 的实时目标检测

将任何计算机或边缘设备变成计算机视觉项目的指挥中心。

适用于 ailia SDK 的预训练最先进 AI 模型集合

Open3D 的扩展，用于处理 3D 机器学习任务

detrex 是一个基于 DETR 的物体检测、分割、姿态估计与其他视觉识别任务的研究平台。

ECCV 2026 论文与开源项目合集，欢迎各位前辈提交 issue 分享 ECCV 2026 论文与开源项目

使用 Tensorflow 2.0、Android 实现的 YOLOv4、YOLOv4-tiny、YOLOv3、YOLOv3-tiny。将 YOLO v4 .weights 转换为 tensorflow、tensorrt 和 tflite

用于卫星与航空影像深度学习的开源函数库与框架。

[CVPR 2025] MambaVision 官方 PyTorch 实现：混合 Mamba-Transformer 视觉骨干网络

适用于 YOLO 模型的 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 实现

Scaled-YOLOv4：扩展跨阶段局部网络

[DEIMv2] 实时目标检测结合 DINOv3

一个全方位的计算机视觉工具包

一个现代化的网页版照片管理服务器。在您的家用服务器上运行它，即可在任何设备上从您的相片库中找到正确的照片。通过对象识别、人脸识别、位置感知、颜色分析和其他 ML 算法来实现智能筛选。

fastdup 是一款强大且免费的工具，旨在从图像与视频数据集中快速生成有价值的洞察。它有助于提高图像和标签的质量，同时大幅降低数据运维成本，并具备无与伦比的可扩展性。

🚀 更简单、更快速的 NVIDIA YOLO 部署工具包 🛠️

适用于 iOS/macOS 的 Core ML 模型库 — 将 PyTorch 模型转换为可以直接使用的 .mlpackage，每个模型都附带转换脚本与 SwiftUI 示例应用程序。同系列项目还涵盖了 Apple 的 Core AI 框架（iOS/macOS 27）与端侧 LLM。

用于集成来自不同目标检测模型边界框的方法集，包含“加权边界框融合（WBF）”方法的实现。

TensorRT MODNet、YOLOv4、YOLOv3、SSD、MTCNN 与 GoogLeNet

🚀🚀🚀 一些优秀的公开 YOLO 对象检测系列项目与相关对象检测数据集的集合。

借助 ExecuTorch 在 React Native 设备端以声明式方式运行 AI 模型。

「YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception」的实现。

追踪与收集 Segment Anything 相关的论文、项目与其他资源。

这是 YOLOv4、注意力 YOLOv4 以及基于 PASCAL VOC 和 COCO 的 mobilenet YOLOv4 的 PyTorch 仓库

视觉模型的一站式训练（YOLO、ViTs、RT-DETR、DINOv3）：预训练、微调、蒸馏。