Awesome GitHub RepositoriesHuman

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 es un framework de estimación de pose basado en deep learning y una biblioteca de visión artificial para PyTorch, diseñada para detectar y rastrear puntos clave del cuerpo humano, rostro, manos y pies en imágenes y videos. Proporciona un sistema para la estimación de posturas esqueléticas y el seguimiento de poses de múltiples personas. El proyecto implementa herramientas para la reconstrucción de poses humanas en tres dimensiones, generando posiciones de articulaciones y mallas corporales a partir de datos de imágenes bidimensionales. También incluye un rastreador de poses multi-persona capaz de mantener la identidad de varios individuos a través de fotogramas de video consecutivos. El framework cubre una amplia gama de capacidades de visión artificial, incluyendo la localización de puntos clave en múltiples personas, el seguimiento de movimiento humano y la reconstrucción de mallas corporales en 3D.

CenterNet es un framework de detección de objetos por puntos centrales y una tubería (pipeline) de visión artificial en tiempo real. Identifica objetos y poses prediciendo puntos centrales en lugar de utilizar cajas de anclaje (anchor boxes). El sistema funciona como un estimador de cajas delimitadoras 3D, un modelo de estimación de pose humana y una herramienta para la detección de objetos en tiempo real. Trata la ubicación de las articulaciones y las posiciones de los objetos como problemas de detección de puntos centrales para localizar entidades en imágenes y en el espacio tridimensional. Las capacidades cubren la detección de objetos 3D, la estimación de puntos clave humanos y el análisis de video en vivo. La tubería utiliza un proceso de inferencia de alimentación directa (feedforward) de una sola etapa para realizar análisis continuo en cámaras web o archivos de video.

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 es una biblioteca de visión artificial para MXNet que proporciona una colección completa de arquitecturas de visión preimplementadas y tuberías de entrenamiento. Sirve como un kit de herramientas de investigación de aprendizaje profundo y un zoológico de modelos (model zoo) que contiene pesos preentrenados de última generación para análisis de imágenes y video. El proyecto incluye una biblioteca especializada en estimación de pose humana y un kit de herramientas de compresión de modelos. Estas herramientas permiten la poda (pruning) y cuantización de modelos de aprendizaje profundo para aumentar la velocidad de inferencia y facilitar el despliegue en hardware de borde (edge hardware) con recursos limitados. La biblioteca cubre una amplia gama de capacidades de visión, incluyendo clasificación de imágenes, detección de objetos y segmentación semántica e instanciada. También proporciona herramientas para análisis de video, como reconocimiento de acciones, seguimiento de objetos y estimación de profundidad monocular. El entrenamiento es compatible a través de tuberías automatizadas y cargas de trabajo distribuidas multi-GPU para acelerar la convergencia del modelo.

Sapiens es un modelo de visión humana de alta resolución diseñado para tareas de visión artificial centradas en el ser humano de alta precisión. Funciona como un conjunto de herramientas para estimar la pose humana, la profundidad y la geometría de la superficie. El proyecto utiliza un backbone de vision transformer para realizar múltiples tareas a través de un codificador compartido. Esta arquitectura permite la predicción simultánea de estructuras esqueléticas, ubicaciones de articulaciones y la distancia entre una cámara y un sujeto humano. Las capacidades del modelo cubren la segmentación de partes del cuerpo humano para aislar regiones anatómicas de los fondos y la predicción de normales de superficie para recuperar detalles geométricos 3D a partir de imágenes 2D. Estas tareas están respaldadas por un framework de aprendizaje multitarea que emplea regresión a nivel de píxel y enmascaramiento de segmentación semántica.