Awesome GitHub RepositoriesDetection Model Training

This project is a TensorFlow and Keras implementation of the Mask R-CNN architecture. It provides a framework for performing simultaneous object detection and instance segmentation, transforming raw images into segmented masks and bounding boxes for individual object identification. The toolset enables custom computer vision training through fine-tuning pre-trained weights and integrating user-provided datasets. It includes capabilities for distributed GPU training to accelerate the optimization of large vision models. The framework covers model evaluation using standard precision metrics an

Darknet is a high-performance C-based inference engine and computer vision library designed for real-time object identification and localization. It serves as a neural network framework for training and deploying detection models using the YOLO architecture, providing a toolset for deep learning training and deployment. The project differentiates itself through a C and CUDA implementation that enables hardware acceleration for matrix multiplication and inference speed optimization. It provides a shared library interface for embedding detection capabilities into external applications and suppo

YOLOv10 is a PyTorch computer vision library and real-time vision framework designed for locating and identifying multiple objects in images and video streams. It functions as an end-to-end object detector that optimizes for high-speed deployment and detection precision. The project is distinguished by an NMS-free detection architecture that predicts a single bounding box per object, eliminating the need for non-maximum suppression post-processing to reduce inference latency. It further optimizes for edge hardware through scalable weights and a quantization-friendly structure that facilitates

This is a real-time object detection framework built on the YOLOv3 architecture, implemented in PyTorch. It provides a complete pipeline for identifying and localizing objects in images and video using a single neural network pass, combining a Darknet-53 backbone with multi-scale feature pyramids and anchor-based bounding box prediction. The framework extends beyond basic detection to include instance segmentation, human pose estimation, and multi-object tracking across video frames. It offers a model export toolkit that converts trained models through ONNX to CoreML, TensorFlow Lite, and Ten

YOLOv9 is a real-time computer vision framework and deep learning model designed for image classification, object detection, and instance segmentation. It functions as both a vision model and a trainer, allowing for the optimization of neural network weights on custom datasets using single or multiple GPUs. The framework utilizes programmable gradient information to perform high-speed identification and location of multiple objects within images and video streams. It extends beyond bounding box detection to provide instance segmentation and panoptic segmentation, which labels every pixel in a

ImageAI is a Python computer vision library providing a suite of tools for image classification, object detection, and video analytics. It functions as an integrated framework for locating and labeling objects in static images and video streams, utilizing deep learning models for identification and categorization. The project includes a model training toolkit that allows for the creation of custom classifiers and detectors through scratch training or transfer learning. It features a GPU-accelerated inference engine to increase processing speed for vision tasks and includes specialized utiliti

This project is a Python implementation of the Faster R-CNN object detection framework. It serves as a convolutional neural network library and tool for locating and classifying multiple objects within images. The framework provides a pre-trained model implementation that allows for object detection inference without manual training. It supports the full lifecycle of object detection, including training detectors on visual datasets to identify and bound specific object classes. The system covers capabilities for computer vision model evaluation, neural network optimization to reduce model si

هذا المشروع عبارة عن إطار عمل لاكتشاف الكائنات في PyTorch ينفذ بنية Faster R-CNN. يعمل كنموذج رؤية للتنبؤ بصناديق التحديد الدقيقة حول كائنات متعددة داخل الصور وتدفقات الفيديو الحية. تم تحسين النظام للتدريب متعدد الـ GPU لتقليل الوقت المطلوب لتقارب النموذج. يستخدم تصميماً مسرعاً بواسطة GPU للتعامل مع تدريب واستنتاج شبكات الاكتشاف المعقدة. يغطي إطار العمل دورة حياة اكتشاف الكائنات الكاملة، بما في ذلك تدريب الشبكة المخصص والاستنتاج للصور الثابتة وتدفقات الفيديو في الوقت الفعلي. يتضمن قدرات للتحقق من أداء النموذج باستخدام مجموعات بيانات قياسية، بالإضافة إلى تحسينات التدريب مثل التجميع القائم على نسبة العرض إلى الارتفاع وأحمال العمل الموزعة.

يوفر هذا المشروع مجموعة من نماذج اكتشاف الوجوه خفيفة الوزن المصممة للاستدلال عالي السرعة على أجهزة حوسبة الحافة. يركز على معمارية شبكة عصبية مدمجة تمكن من اكتشاف وجه الإنسان داخل بيئات تتميز بموارد حوسبة محدودة وقيود طاقة. يتميز النظام بكاشفات وجوه مكممة متاحة بتنسيقات متعددة لضمان التوافق عبر معماريات الأجهزة المتنوعة. يتضمن أدوات لتصدير النماذج وتكميمها، مما يسمح بتحويل الأوزان المدربة إلى تنسيقات قياسية للنشر المستقل عن الأجهزة. يغطي المشروع سير عمل لتدريب النماذج المخصصة ومعالجة مجموعات بيانات الصور لضبط ملفات تعريف الدقة والسرعة. يدعم مهام الرؤية الحاسوبية في الوقت الفعلي من خلال استخدام الحساب بالأعداد الصحيحة فقط ووقت تشغيل استدلال قائم على C لتقليل العبء على الأجهزة المدمجة.

This project is a PyTorch implementation of the YOLOv3 object detection architecture. It functions as a real-time object detector and computer vision framework designed to identify and locate multiple objects within images using bounding boxes and class labels. The system allows for both the use of pretrained weights for immediate image analysis and the training of custom models using datasets with bounding box annotations. It provides a programmatic interface to integrate detection capabilities directly into other software applications. The framework includes tools for model evaluation to m

This project is an object detection framework implementing the YOLOv3 architecture using Keras and TensorFlow. It functions as a deep learning vision model and computer vision toolset designed to locate and classify multiple entities within images and video streams using bounding boxes. The system includes a multi-GPU inference engine to distribute computational loads across several graphics processing units. It also provides a pipeline for creating custom object detectors by retraining pre-trained weights on annotated datasets to recognize user-defined object classes. The framework covers m

يوفر هذا المشروع إطار عمل للشبكات العصبية المتبقية العميقة (deep residual network) ونماذج PyTorch مدربة مسبقاً مصممة للتعرف على الصور بدقة عالية. ينفذ بنية شبكة عصبية تستخدم اتصالات التخطي (skip connections) لتمكين تدريب نماذج عميقة جداً دون تدهور التدرج. تم تصميم النظام لمهام الرؤية الحاسوبية، بما في ذلك تصنيف الصور، واكتشاف الكائنات، وتجزئة البيانات المرئية. يتضمن أوزاناً مدربة على ImageNet لدعم التعلم بالنقل (transfer learning) وضبط النماذج على مجموعات بيانات صور مخصصة. يركز التصميم المعماري على كتل التعلم المتبقية، وتكوينات طبقة الاختناق (bottleneck)، وتطبيع الدفعات (batch normalization) للحفاظ على الاستقرار أثناء التدريب. يستخدم إطار العمل أيضاً التجميع المتوسط العالمي (global average pooling) لتقليل المعلمات ومنع الإفراط في التخصيص (overfitting).

This is an open-source autonomous driving perception pipeline that processes camera and lidar sensor data to detect, track, and fuse objects in real-world driving environments. The project integrates an end-to-end perception workflow combining sensor calibration, deep learning object detection, Kalman filter tracking, and sensor fusion for robust scene understanding. The pipeline includes camera calibration tools to remove lens distortion from raw images, deep learning model training for object classification and detection, and multi-object tracking using Kalman filters with data association

The TensorFlow Cookbook is a collection of code examples and recipes for building, training, and deploying machine learning models using TensorFlow. It covers the full model lifecycle, from constructing neural networks and training them with configurable parameters to packaging trained models for production deployment with unit tests and multi-device support. The project also integrates TensorBoard for logging and visualizing computational graphs, scalar summaries, and histograms during training. The cookbook demonstrates a wide range of machine learning techniques, including convolutional ne

NanoDet-Plus⚡Super fast and lightweight anchor-free object detection model. 🔥Only 980 KB(int8) / 1.8MB (fp16) and run 97FPS on cellphone🔥

yolotf هو إطار عمل لاكتشاف الكائنات يوفر أدوات لتحويل إعدادات وأوزان نماذج Darknet إلى رسوم بيانية في TensorFlow. يتضمن مدرب نماذج TensorFlow لتدريب نماذج اكتشاف جديدة أو ضبط الأوزان الموجودة بدقة باستخدام مجموعات بيانات مخصصة. يتميز المشروع بمصدر نماذج للأجهزة المحمولة يقوم بتسلسل تعريفات الرسوم البيانية والبيانات الوصفية في ملفات protobuf للنشر على الأجهزة المحمولة. يدعم إطار العمل استدلال اكتشاف الكائنات على الصور والفيديو لتحديد الكائنات وتصدير إحداثيات مربعات الإحاطة. يدير حالة النموذج من خلال ترجمة تعيين الأوزان والتدريب القائم على نقاط الفحص للسماح باستعادة الأوزان وحالات المحسن.

Darkflow هو إطار عمل لاكتشاف الكائنات وخط أنابيب للرؤية الحاسوبية يوفر واجهة برمجية لإجراء تحليل الصور وتحديد الكائنات في الوقت الفعلي. يعمل كأداة لتحميل الأوزان، وضبط النماذج بدقة، وتنفيذ الاستدلال (inference) على كل من الصور الثابتة وموجزات الفيديو. يعمل المشروع كمحول يترجم إعدادات وأوزان Darknet إلى رسوم بيانية (graphs) في TensorFlow لتمكين إعادة التدريب والنشر. يتضمن مصدراً للنماذج يحفظ الرسوم البيانية المدربة في ملفات protobuf محمولة للاستخدام على الأجهزة المحمولة والأجهزة الأصلية. يغطي النظام قدرات تدريب وضبط نماذج الاكتشاف بدقة على مجموعات بيانات مخصصة، مع ميزات نقاط فحص التقدم لاستعادة التدريب. كما يوفر أدوات لترجمة تعيين الأوزان ومعالجة بيانات الصور الخام من خلال عمليات الموتر (tensor) لإنتاج مربعات الإحاطة ودرجات الثقة.

tiny-dnn is a header-only C++14 deep learning framework for building, training, and running inference on neural networks. It constructs static computational graphs at compile time using template-based layer composition, with a gradient-based backpropagation engine and minibatch stochastic gradient descent for training, all without external dependencies beyond the C++14 standard library. The framework supports importing pre-trained models from the Caffe framework directly, parsing its binary serialization format without requiring external protocol buffer libraries. It provides CPU-optimized te

This is a comprehensive deep learning course delivered entirely through Jupyter Notebooks, designed to teach neural network construction using TensorFlow 2.x. The curriculum follows a sequential-model-first pedagogy, introducing the Sequential API before moving to functional and subclassing approaches, and covers the full spectrum of model building from regression and classification through convolutional neural networks, natural language processing, and time series forecasting. The course is structured around a checkpoint-based training workflow that saves the best model weights during traini

YOLOv6 هو إطار عمل للتعلم العميق أحادي المرحلة مصمم لاكتشاف الكائنات الصناعية. يعمل كمدرب نموذج رؤية حاسوبية لتحديد وتحديد مواقع الكائنات داخل الصور، بالإضافة إلى أداة تجزئة مثالية تحدد حدود الكائنات الدقيقة باستخدام الأقنعة. يتضمن المشروع محسناً لاستدلال الهاتف المحمول ومجموعة أدوات لتكميم النموذج. تركز هذه المكونات على تقليل حجم النموذج ودقته لتحسين سرعة التنفيذ على الرقائق القائمة على ARM وتحويل النماذج إلى تنسيقات منخفضة الدقة لتقليل حجم الملف. يغطي إطار العمل مجموعة واسعة من القدرات، بما في ذلك تدريب النماذج المخصصة، والتجزئة المثالية في الوقت الفعلي، وتحويل وقت تشغيل النموذج للتنفيذ عبر المنصات. كما يدعم تحسين استدلال أجهزة الحافة للحفاظ على الأداء عبر أوقات تشغيل الأجهزة المختلفة.