Awesome GitHub RepositoriesPose Estimation Models

Ultralytics is a comprehensive computer vision framework designed for training, validating, and deploying deep learning models across a wide range of visual recognition tasks. It provides a unified interface for core operations including object detection, instance segmentation, pose estimation, and image classification. By utilizing a modular architecture, the platform allows users to swap model components to balance inference speed and accuracy requirements for diverse applications. The framework distinguishes itself through its support for real-time processing and flexible deployment. It in

YOLOv7 is a PyTorch vision library and real-time inference engine designed for object detection, human pose estimation, and instance segmentation. It provides a framework for detecting and locating multiple objects within images or video streams using neural networks. The system includes tools for custom model training and fine-tuning, allowing pre-trained weights to be adapted to specialized datasets via transfer learning. It also supports model weight export and format conversion to facilitate deployment on production servers and embedded edge devices.

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

AlphaPose ist ein Deep-Learning-Framework zur Pose-Schätzung und eine PyTorch-Bibliothek für Computer Vision, die darauf ausgelegt ist, Schlüsselpunkte von menschlichen Körpern, Gesichtern, Händen und Füßen in Bildern und Videos zu erkennen und zu verfolgen. Es bietet ein System zur Skelett-Pose-Schätzung und zum Multi-Person-Pose-Tracking. Das Projekt implementiert Werkzeuge für die dreidimensionale Rekonstruktion menschlicher Posen, wobei Gelenkpositionen und Körpernetzformen aus zweidimensionalen Bilddaten generiert werden. Es enthält zudem einen Multi-Person-Pose-Tracker, der die Identität mehrerer Personen über aufeinanderfolgende Videoframes hinweg beibehalten kann. Das Framework deckt ein breites Spektrum an Computer-Vision-Funktionen ab, darunter die Lokalisierung von Schlüsselpunkten bei mehreren Personen, die Verfolgung menschlicher Bewegungen und die Rekonstruktion dreidimensionaler Körpernetze.

CenterNet ist ein Framework für die Objekterkennung mittels Mittelpunkten und eine Echtzeit-Computer-Vision-Pipeline. Es identifiziert Objekte und Posen durch die Vorhersage von Mittelpunkten anstelle der Verwendung von Anchor-Boxen. Das System fungiert als 3D-Bounding-Box-Schätzer, als Modell zur Schätzung menschlicher Posen und als Tool für die Echtzeit-Objekterkennung. Es behandelt die Platzierung von Gelenken und Objektpositionen als Probleme der Mittelpunkterkennung, um Entitäten in Bildern und im dreidimensionalen Raum zu lokalisieren. Die Funktionen decken 3D-Objekterkennung, Schätzung menschlicher Keypoints und Live-Videoanalyse ab. Die Pipeline verwendet einen einstufigen Feedforward-Inferenzprozess, um eine kontinuierliche Analyse von Webcams oder Videodateien durchzuführen.

PaddleX is a PaddlePaddle-based framework for building, deploying, and fine-tuning AI model pipelines, with pre-built support for computer vision, OCR, document analysis, and time series tasks. It offers a toolkit of ready-to-use pipelines for image classification, object detection, segmentation, and pose estimation, alongside an end-to-end OCR document analysis pipeline that extracts text, tables, formulas, and layout information. The platform also includes a dedicated time series forecasting pipeline for analyzing historical data to detect anomalies, classify patterns, and predict future val

Gluon-CV ist eine MXNet-Computer-Vision-Bibliothek, die eine umfassende Sammlung vortrainierter Vision-Architekturen und Trainings-Pipelines bereitstellt. Sie dient als Deep-Learning-Research-Toolkit und Model-Zoo mit State-of-the-Art-Gewichten für die Bild- und Videoanalyse. Das Projekt enthält eine spezialisierte Bibliothek für Human-Pose-Estimation sowie ein Toolkit zur Modellkompression. Diese Tools ermöglichen das Pruning und die Quantisierung von Deep-Learning-Modellen, um die Inferenzgeschwindigkeit zu erhöhen und die Bereitstellung auf ressourcenbeschränkter Edge-Hardware zu erleichtern. Die Bibliothek deckt ein breites Spektrum an Vision-Funktionen ab, darunter Bildklassifizierung, Objekterkennung sowie semantische und Instanz-Segmentierung. Sie bietet zudem Tools für die Videoanalyse, wie Action-Recognition, Objekt-Tracking und monokulare Tiefenschätzung. Das Training wird durch automatisierte Pipelines und verteilte Multi-GPU-Workloads unterstützt, um die Modellkonvergenz zu beschleunigen.

Sapiens ist ein hochauflösendes menschliches Sichtmodell, das für hochpräzise, menschenzentrierte Computer-Vision-Aufgaben entwickelt wurde. Es fungiert als Tool-Suite zur Schätzung menschlicher Posen, Tiefe und Oberflächengeometrie. Das Projekt nutzt ein Vision-Transformer-Backbone, um mehrere Aufgaben über einen gemeinsamen Encoder auszuführen. Diese Architektur ermöglicht die gleichzeitige Vorhersage von Skelettstrukturen, Gelenkpositionen und der Entfernung zwischen einer Kamera und einer menschlichen Person. Die Funktionen des Modells decken die Segmentierung menschlicher Körperteile zur Isolierung anatomischer Regionen vom Hintergrund sowie die Vorhersage von Oberflächennormalen zur Wiederherstellung von 3D-Geometriedetails aus 2D-Bildern ab. Diese Aufgaben werden durch ein Multi-Task-Learning-Framework unterstützt, das pixelweise Regression und semantische Segmentierungsmaskierung verwendet.

Dieses Projekt ist eine PyTorch-Implementierung einer Forschungsarchitektur für hochauflösendes Representation Learning. Es dient als Computer-Vision-Framework mit Fokus auf präziser Keypoint-Erkennung, menschlicher Pose-Schätzung und semantischer Bildsegmentierung. Die Implementierung bietet spezialisierte Tools zur Identifizierung anatomischer Orientierungspunkte am menschlichen Körper und zur Vorhersage von Gesichtskoordinaten für die Analyse von Ausrichtung und Position. Es nutzt ein System aus parallelen Streams mit mehreren Auflösungen und wiederholter Multi-Scale-Fusion, um hochauflösende Repräsentationen im gesamten Netzwerk beizubehalten. Das Framework deckt ein breites Spektrum an Computer-Vision-Aufgaben ab, darunter Objekterkennung, Bildklassifizierung und pixelgenaue semantische Segmentierung. Es enthält zudem Workflows für das Training von Modellen auf gelabelten Datensätzen und die quantitative Evaluierung der Genauigkeit vorhergesagter Gelenkpositionen anhand von Validierungsdaten.

HigherHRNet ist ein Deep-Learning-Framework für Bottom-up-Human-Pose-Estimation. Es fungiert als Keypoint-Detektor für Computer Vision, der menschliche Körpergelenke identifiziert und verfolgt, indem er hochauflösende Feature-Pyramiden und skalenbewusstes Repräsentationslernen nutzt. Das Projekt zeichnet sich durch einen Bottom-up-Ansatz aus, der einzelne Körperteile über ein gesamtes Bild hinweg identifiziert, bevor sie zu menschlichen Skeletten gruppiert werden. Diese Methodik wird durch Multi-Resolution-Feature-Fusion unterstützt, die hochauflösende Repräsentationen im gesamten Netzwerk beibehält, indem parallele Zweige unterschiedlicher räumlicher Auflösung wiederholt zusammengeführt werden. Um eine konsistente Genauigkeit für Subjekte unterschiedlicher Größe zu gewährleisten, verwendet das System skalenbewusste Heatmap-Regression und Multi-Scale-Inferenz, wobei Vorhersagen über mehrere Bildauflösungen hinweg aggregiert werden. Das Framework enthält umfassende Tools für das Training neuronaler Netze auf großen Datensätzen. Diese Trainings-Pipelines integrieren Synchronized Batch Normalization zur Stabilisierung der Konvergenz über mehrere GPUs hinweg sowie Mixed-Precision-Tensor-Berechnungen zur Verwaltung von Speicherverbrauch und Trainingsgeschwindigkeit. Die Architektur nutzt zudem dekonvolutionale Upsampling-Layer, um niedrig aufgelöste Repräsentationen auf die ursprünglichen Eingabedimensionen abzubilden.

Dieses Projekt ist ein Deep-Learning-Framework für die Erkennung und Verfolgung menschlicher Körper-Keypoints in Bildern und Videostreams. Es fungiert sowohl als Echtzeit-Motion-Tracking-System als auch als Machine-Learning-Umgebung für das Training und die Evaluierung von Pose-Estimation-Modellen. Das System nutzt ein Convolutional Neural Network mit zwei Zweigen, um Körperteilpositionen und deren gerichtete Verbindungen gleichzeitig vorherzusagen. Es verwendet mehrstufige Feature-Verfeinerung, um die Genauigkeit der Keypoint-Lokalisierung zu verbessern, und nutzt Greedy-Parsing- sowie Bipartite-Matching-Algorithmen, um erkannte Teile zu individuellen Skeletten zuzuordnen. Um die Leistung während der Live-Videoanalyse aufrechtzuerhalten, führt das Framework parallele Inferenz über Bildregionen hinweg mittels Tensor-basierter Batch-Verarbeitung aus. Über das Echtzeit-Tracking hinaus bietet die Bibliothek Tools für das Training von Modellen auf annotierten Datensätzen und die Berechnung der Mean Average Precision (mAP) gegenüber standardisierten Benchmarks, um die Erkennungsqualität zu verifizieren. Das Repository enthält die notwendigen Komponenten, um den gesamten Lebenszyklus der Pose Estimation zu verwalten, vom anfänglichen Modelltraining bis zur Leistungsvalidierung.

Dieses Projekt ist ein Computer-Vision-Framework für die Echtzeiterkennung menschlicher Körper-Keypoints und Skelettstrukturen. Es bietet ein integriertes Toolkit zum Trainieren, Optimieren und Ausführen von Pose-Estimation-Modellen speziell für die Bereitstellung auf Edge-Computing-Hardware. Das Framework zeichnet sich durch die Verwendung von Part-Affinity-Field-Mapping aus, um räumliche Beziehungen zwischen Gelenken zu kodieren, die dann durch einen Greedy-Parsing-Algorithmus verarbeitet werden, um menschliche Skelette aus visuellen Daten zu rekonstruieren. Um eine hochperformante Ausführung sicherzustellen, integriert die Bibliothek Modellquantisierung und hardwarebeschleunigte Inferenz-Engines, die Rechengraphen für spezifische lokale Hardware optimieren. Über die Kern-Erkennung hinaus unterstützt das Projekt End-to-End-Workflows, die die Entwicklung benutzerdefinierter Pose-Modelle unter Verwendung standardisierter Datensatz-Schemata beinhalten. Diese Funktionen ermöglichen das Fine-Tuning von Modellen, um einzigartige Erkennungsaufgaben zu adressieren, während die für Live-Videostream-Analysen notwendigen Low-Latency-Anforderungen beibehalten werden.