#YOLO

Darkflow是一个用于实时物体检测和分类的开源项目，兼容Python3、Tensorflow、Numpy和OpenCV。用户可以通过pip安装、构建Cython扩展或使用自定义标签进行训练和推理。项目还提供Android演示和支持保存加载protobuf文件，适合跨平台应用。

awesome-object-detection为研究者和开发者提供涵盖R-CNN至YOLOv3等系统目标检测资源，适用于学术研究与实际应用。

提供YOLO目标检测的全面资源汇编。包含官方以及多个针对特殊任务或硬件的优化版本，涵盖YOLOv1至YOLOv7等系列。项目中还包括丰富的学习资源、应用示例及工具，为学者和开发者提供了解及使用YOLO技术的优质资料。

AutoNode 是一种自操作计算机系统，专注于实现网页交互和数据提取的自动化。它使用光学字符识别（OCR）和 YOLO 模型进行对象检测，结合自定义站点图来程序化地导航和操作网页。只需安装 Python 和 Docker，配置站点图并使用 API，即可轻松完成高效的网页自动化任务。AutoNode 还支持远程托管 YOLO 和 OCR 模块，适合本地资源有限的环境。

QuickAI 是一个 Python 库，简化了前沿机器学习模型的实验流程。支持 EfficientNet、VGG、ResNet 等图像分类模型和 GPT-NEO、Distill BERT 等自然语言处理模型。只需1-2行代码即可完成模型训练和评估，兼容 TensorFlow 和 PyTorch，并提供 Docker 容器便于环境配置。适用于各水平用户，助力快速推进机器学习项目。

此项目基于TensorRT，为YOLO目标检测模型提供推理加速解决方案，支持YOLOv3至YOLOv10及PP-YOLOE系列。集成EfficientNMS插件及CUDA技术，有效提升推理效率。支持C++和Python，包含CLI快速导出和推理功能，并提供Docker一键部署。推荐CUDA 11.6及以上版本和TensorRT 8.6及以上版本。

AnyLabeling是一款高效的数据标注工具，结合了LabelImg和Labelme的优点，并改进了用户界面。支持多种图像注释类型，包括多边形、矩形、圆形、线条和点。提供自动标注功能，兼容YOLOv8和Segment Anything。支持文本检测、识别和关键信息提取标注，适用于英语、越南语和中文。用户可通过PyPI安装，适用于各种操作系统。更多信息请查看官方网站。

该项目为多个版本及平台的YOLO模型提供NVIDIA DeepStream SDK配置和优化指南，包括YOLOv5、YOLOv6、YOLOv7和YOLOv8等。项目功能涵盖INT8校准、动态批处理及GPU边界框解析，并提供详细的安装、使用和自定义模型指南，帮助用户实现高效的GPU处理和模型转换。

UltimateLabeling是一个基于Python的多功能视频标注工具，使用PyQt5开发，集成了前沿的对象检测和跟踪技术。主要功能包括通过SSH连接远程GPU服务器、使用YOLO和OpenPifPaf进行对象和姿态检测、采用匈牙利算法进行轨迹分配、进行SiamMask视觉对象追踪，以及视频缩放、可调节边框和骨架等。适用于多种对象和姿态检测与标注场景。

本项目汇集了有关深度学习在对象检测和跟踪领域的论文、数据集、代码及各种资源。内容涵盖静态检测、视频检测、多对象跟踪和单对象跟踪等主题，并提供了多种经典模型如RCNN、YOLO、SSD的实现和改进方案。此外，项目还涵盖了图像和视频分割、光流、运动预测等任务的资源，为研究人员和开发者提供了详尽的参考资料。

提供详尽的计算机视觉教程，包括ResNet、YOLO、DETR等经典模型，以及最新的Grounding DINO、SAM和GPT-4 Vision技术。这个资源库适合初学者和专家学习最前沿的计算机视觉方法和应用。

Ultralytics Assets 仓库集成了视觉资产、预训练模型和数据集，为 Ultralytics YOLO 生态系统提供支持。该仓库涵盖对象检测、实例分割、图像分类等计算机视觉任务，为研究人员和开发者提供便捷的资源访问，加速机器学习项目的开发和优化。此仓库提供了完整的资源套件，包括视觉素材、预训练模型和注释数据集，适用于多种计算机视觉任务。它简化了资源获取过程，使开发者能够专注于项目开发而非资源收集，从而提高工作效率。

Darknet是一个开源神经网络框架,为YOLO实时目标检测系统提供基础。最新的YOLOv7算法在5-160 FPS范围内性能优异,超越了同类检测器。项目支持Linux和Windows平台,提供预训练模型、详细构建指南和命令行操作接口,方便用户进行目标检测、模型训练等任务。

这个Python库实现了基于补丁的推理方法,用于改进小物体检测和实例分割。它支持多种Ultralytics模型,包括YOLOv8/v9/v10、FastSAM和RTDETR,可用于对象检测和实例分割任务。库提供了推理结果可视化功能,并通过优化的补丁处理和结果合并提高了小物体检测准确性。项目还包含交互式笔记本和教程,方便用户学习和使用。

RT-DETR是面向实时物体检测的创新模型，通过混合编码器和最小化不确定性查询选择，实现高精度和快速检测。模型在COCO和Objects365数据集训练，支持速度调整以适应多种场景。RT-DETR-R50/R101在COCO上分别取得53.1%和54.3%的平均精度，在T4 GPU上达到108和74 FPS，性能超过YOLO模型。