Awesome GitHub RepositoriesSmall Object Detectors

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

MMSegmentation is an open-source semantic segmentation toolbox built on PyTorch that provides a modular, configurable framework for building, training, evaluating, and deploying segmentation models. At its core, it offers a config-driven pipeline that assembles training, evaluation, and inference workflows by parsing hierarchical configuration files, with a modular component registry that enables plug-and-play composition of neural network modules, optimizers, datasets, and metrics. The framework supports the full model lifecycle through a unified runner interface that controls training, testi

GroundingDINO is a deep learning vision model and open-vocabulary object detector designed to map natural language prompts to spatial coordinates. It functions as a text-to-bounding-box framework that enables zero-shot image localization, allowing the system to identify and locate arbitrary objects without requiring predefined classes or specific training for those categories. The project distinguishes itself by matching visual features to natural language descriptions to achieve open-set visual recognition. It supports text-guided image localization and the isolation of specific objects base

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

VLM-R1 este un model de raționament vizual-lingvistic și un framework de AI întrupat, conceput pentru a mapa intrările vizuale și instrucțiunile lingvistice în puncte de navigație fizice și acțiuni robotice. Acesta funcționează ca un optimizator de politici multimodale și un detector cu vocabular deschis, capabil să localizeze obiecte pe baza unor descrieri arbitrare în limbaj natural. Sistemul se distinge prin utilizarea raționamentului de tip chain-of-thought și a învățării prin consolidare (reinforcement learning) pentru a rezolva sarcini vizuale și spațiale complexe. Utilizează un sistem de memorie semantică video, care folosește un cache vizual pentru a menține un istoric al fluxului video live pentru interacțiune cu latență scăzută și raționament temporal continuu. Framework-ul acoperă o gamă largă de capabilități, inclusiv maparea punctelor de trecere monoculare pentru navigația robotică, localizarea prin token-uri de regiune pentru identificarea obiectelor și fine-tuning supervizat bazat pe politici pentru stabilitatea raționamentului multimodal. De asemenea, suportă detecția cu vocabular deschis, înțelegerea expresiilor de referință și extragerea caracteristicilor fine ale obiectelor prin regăsirea prompt-urilor vizuale. Proiectul este implementat în Python și suportă inferența pe hardware Ascend.