QueryInst是一种由动态掩码头并行监督驱动的查询实例分割方法，在准确性和速度上具有显著优势。该项目涵盖对象检测、实例分割和视频实例分割等多种实例级别识别任务，并提供详细的功能介绍和模型训练指导。目前本项目仍在积极开发中，计划扩展至更多实例级别识别任务。

DWPose是一种采用两阶段知识蒸馏的全身姿态估计方法。该项目提供多个不同规模的模型,在COCO-WholeBody数据集上表现出色。DWPose可替代OpenPose用于ControlNet,提升图像生成质量。项目开源了模型及相关代码,支持ONNX推理,并可与Stable Diffusion WebUI集成。

该项目实现了实时2D多人人体姿态估计的训练代码，基于OpenPose优化技术，使其能够在CPU上进行实时推理且准确度几乎不变。此模型能够识别并连接18个关键点，在COCO 2017数据集的验证集上达到40%的AP。项目对多种深度学习框架和设备友好支持。

项目采用稳定匹配算法，结合检测变压器架构，在目标检测领域取得突破。模型在COCO数据集上实现63.8 AP，具有高性能、易用性和低计算开销等特点。Stable-DINO可与现有DETR变体整合，并在多种backbone下表现出色。该技术不仅适用于目标检测，还可扩展到实例分割等相关任务。

RSN项目提出Residual Steps Network姿态估计方法,通过聚合同一空间尺度特征获得精细局部表示,实现精确关键点定位。项目引入Pose Refine Machine注意力机制进一步优化关键点位置。RSN在COCO和MPII基准测试中取得领先结果,并在2019年COCO关键点挑战赛中获得第一名和最佳论文奖。该方法在多人姿态估计任务中展现出优异性能。

本项目提供了EfficientDet目标检测模型的PyTorch实现。支持COCO数据集的训练、评估和测试，在COCO val2017上达到0.314 mAP。包含预训练权重、视频测试功能和使用说明。适合研究人员和开发者参考使用。

LeYOLO是一种新型目标检测模型系列，通过创新的CNN架构设计实现了计算效率与准确性的优化平衡。该模型引入高效主干网络缩放、快速金字塔架构网络和解耦网络中的网络检测头，大幅降低计算负载。在COCO验证集上，LeYOLO-Small仅使用4.5 GFLOP就达到38.2%的mAP，比YOLOv9-Tiny减少42%计算量。LeYOLO系列具有强大可扩展性，适用于从超低计算需求(<1 GFLOP)到高效高性能(>4 GFLOPs)的多种场景。