Awesome GitHub RepositoriesTracking Visualization

This project is a modular research toolkit designed for developing, training, and evaluating deep learning models for object detection, segmentation, and video instance tracking. It provides a flexible training engine that manages complex neural network execution, including distributed training, custom lifecycle hooks, and weight optimization. The framework is built around a hierarchical configuration system that allows users to define architectures, data pipelines, and training hyperparameters through composable, inheritable files. The project distinguishes itself through its highly modular

PaddleDetection is an object detection framework designed for the end-to-end development, training, and deployment of computer vision models. It provides a comprehensive library of modular neural network architectures and pipelines that support object detection, instance segmentation, and multi-object tracking tasks. The project distinguishes itself through a configuration-driven approach that decouples model components like backbones and heads, allowing for the flexible assembly of custom vision workflows. It incorporates advanced techniques such as anchor-free detection logic, joint detecti

DeepSORT هو إطار عمل لتتبع كائنات متعددة في الوقت الفعلي مصمم للحفاظ على هويات متسقة لكائنات متعددة عبر إطارات الفيديو. يدمج ميزات مظهر التعلم العميق مع واصفات الحركة لتتبع الكائنات عبر تسلسل من بيانات الفيديو. يستخدم النظام شبكة عصبية تلافيفية عميقة لتوليد واصفات مرئية عالية الأبعاد لإعادة تحديد الأشخاص. يتم دمج ميزات المظهر هذه مع تقدير الحركة عبر مرشح كالمان وحلها باستخدام خوارزمية المجر لربط الاكتشافات بشكل مثالي مع المسارات الموجودة. يتضمن إطار العمل قدرات لتصفية الربط القائمة على البوابات وإدارة المسار القائمة على الحالة للتعامل مع دورات حياة الكائنات. كما يوفر أدوات لعرض نتائج التتبع على إطارات الفيديو وتقييم أداء التتبع مقابل المعايير الراسخة.

Fast-F1 هي مكتبة بيانات Python ومحلل قياس عن بعد مصمم للفورمولا 1. تعمل كمغلف لواجهة برمجة تطبيقات برمجية لاسترجاع ومعالجة بيانات التوقيت، ونتائج الجلسة، ومقاييس مستشعر السيارة عالية التردد. يوفر المشروع أدوات متخصصة لقياس أداء رياضة السيارات والتصور. يتيح مقارنة القياس عن بعد للمركبة، مثل تتبع السرعة وتغييرات التروس، ويولد خرائط مسار مكانية مع تراكبات السرعة والمنعطفات. تغطي المكتبة مجموعة واسعة من إمكانيات استرجاع البيانات وتحليلها، بما في ذلك استخراج جداول السباق، وترتيب البطولات، وبيانات الحلبة الوصفية. تدعم مراقبة نشاط السباق المباشر ورسائل التحكم في السباق، مع استخدام التخزين المؤقت للقرص المحلي لتقليل طلبات الشبكة أثناء تحميل البيانات.

Co-tracker is a PyTorch point tracking framework and dense point tracking model designed to map the motion of individual pixels throughout a video. It functions as a video pixel tracker that predicts point trajectories and visibility masks across sequences of video frames. The project includes a computer vision training pipeline that utilizes teacher-student knowledge distillation. This allows for the generation of pseudo-labels from unannotated real video data to fine-tune pre-trained models and reduce the gap between synthetic and real data environments. The framework provides capabilities

FairMOT هو إطار عمل لتتبع الكائنات المتعددة ونموذج تعلم عميق مصمم لتحديد وتتبع كيانات متعددة عبر إطارات الفيديو. ينفذ خط أنابيب موحداً يدمج اكتشاف الكائنات وإعادة تحديد الهوية في شبكة مشتركة من مرحلة واحدة. يستخدم النظام طريقة اكتشاف خالية من المراسي (anchor-free) للتنبؤ بمراكز الكائنات وأبعاد صناديق التحديد. يحافظ على اتساق الهوية عبر الإطارات المتتالية من خلال إنشاء متجهات تضمين عالية الأبعاد لإعادة التحديد واستخدام مرشح Kalman للتنبؤ بحالة الحركة. يغطي إطار العمل مجموعة واسعة من قدرات الرؤية الحاسوبية، بما في ذلك اكتشاف الكائنات في الوقت الفعلي واستخدام خوارزمية Hungarian لتعيين المسارات. كما يتضمن أدوات لتدريب النماذج على مجموعات بيانات صور مخصصة وإنشاء تصورات فيديو مع صناديق تحديد متراكبة ومعرفات ثابتة.

mmtracking is a PyTorch video perception framework designed for training and deploying computer vision models that analyze sequential image data. It provides specialized tools for multi-object tracking, video instance segmentation, and a configuration-driven system for managing deep learning models. The project utilizes a deep learning model registry and a configuration-driven pipeline to swap model backbones and detectors without modifying the core codebase. This modular approach allows for the development of custom perception architectures by combining various components and configurations.

This project is a multi-object tracking library and computer vision toolkit designed to maintain consistent identity IDs for objects across video frames. It provides a motion-based object tracking system that converts raw detections into stable temporal tracks, enabling the analysis of object movement and behavior over time. The toolkit distinguishes itself through advanced identity maintenance, utilizing Kalman filters for linear motion tracking and sparse optical flow for camera motion estimation. It features multi-stage object association to recover occluded objects and non-linear motion t