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 este un framework de urmărire multi-obiect în timp real conceput pentru a menține identități consistente ale mai multor obiecte pe parcursul cadrelor video. Integrează caracteristici de aspect deep learning cu descriptori de mișcare pentru a urmări obiectele printr-o secvență de date video. Sistemul utilizează o rețea neuronală convoluțională profundă pentru a genera descriptori vizuali de înaltă dimensiune pentru re-identificarea persoanelor. Aceste caracteristici de aspect sunt combinate cu estimarea mișcării prin filtrare Kalman și rezolvate folosind algoritmul maghiar pentru a asocia optim detecțiile cu pistele existente. Framework-ul include capabilități pentru filtrarea asocierii bazată pe gating și gestionarea pistelor bazată pe stare pentru a gestiona ciclurile de viață ale obiectelor. Oferă, de asemenea, instrumente pentru redarea rezultatelor urmăririi pe cadrele video și evaluarea performanței urmăririi față de benchmark-urile stabilite.

Fast-F1 este o bibliotecă de date Python și un analizor de telemetrie conceput pentru Formula 1. Servește ca un wrapper API programatic pentru a prelua și procesa date de timing, rezultate ale sesiunilor și metrici ale senzorilor vehiculului de înaltă frecvență. Proiectul oferă instrumente specializate pentru benchmarking-ul performanței în motorsport și vizualizare. Permite compararea telemetriei vehiculului, cum ar fi urmele de viteză și schimbările de viteză, și generează hărți spațiale ale circuitului cu suprapuneri de viteză și viraje. Biblioteca acoperă o gamă largă de capabilități de recuperare și analiză a datelor, inclusiv extracția programelor de curse, a clasamentelor campionatului și a metadatelor circuitelor. Suportă monitorizarea activității curselor live și a mesajelor de control al cursei, utilizând în același timp cache-ul pe disc local pentru a minimiza request-urile de rețea în timpul încărcării datelor.

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 este un framework de tracking multi-obiect și un model de deep learning conceput pentru a identifica și urmări entități multiple în cadre video. Implementează un pipeline unificat care integrează detecția obiectelor și re-identificarea identității într-o rețea comună single-stage. Sistemul utilizează o metodă de detecție fără ancore pentru a prezice centrele obiectelor și dimensiunile bounding box-urilor. Menține consistența identității între cadre consecutive prin generarea de vectori de embedding de înaltă dimensiune pentru re-identificare și utilizarea unui filtru Kalman pentru predicția stării de mișcare. Framework-ul acoperă o gamă largă de capabilități de computer vision, inclusiv detecția obiectelor în timp real și utilizarea algoritmului Hungarian pentru atribuirea tracklet-urilor. Include, de asemenea, utilitare pentru antrenarea modelelor pe seturi de date personalizate și generarea de vizualizări video cu bounding box-uri suprapuse și identificatori persistenți.

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