YOLOX-M1-Mac开源项目 – 高性能无锚点YOLO模型

Hiera是一个层次化视觉变换器，专注于视觉任务，优化性能并避免不必要的复杂性。

Model Zoo for MindSpore 是一个为MindSpore深度学习框架提供预训练模型和示例的仓库。它包含了多种深度学习任务的模型，如图像分类、目标检测和自然语言处理等，支持用户快速集成到MindSpore框架中。该仓库定期更新，提供详细的文档和使用示例，帮助用户更好地理解和使用这些模型。

混合自回归线性核(Mixed Auto-Regressive Linear kernel)，一个经过高度优化的FP16xINT4矩阵乘法核，用于LLM推理，可以在批量大小为16-32个token的情况下实现接近理想的约4倍加速。

Residual Attention是一种简单但有效的多标签识别方法，利用残差注意机制，能够在多标签任务中表现出色。

GeneralistYOLO是一个实时多任务视觉语言模型，能够一站式解决多种视觉任务。该模型在MS COCO数据集上表现出色，目标检测AP达到52.4%，实例分割AP达到43.0%。此外，该模型具有高效的实时性能，在640尺寸下FLOPs仅为122.2G。

PaddleDetection_YOLOSeries是一个基于PaddleDetection框架的YOLO系列模型库，支持多种YOLO模型，包括PP-YOLOE、YOLOv3、YOLOX、YOLOv5、MT-YOLOv6和YOLOv7。该项目提供了高效的目标检测解决方案，易于集成和扩展，适用于各种应用场景。此外，它还提供了预训练模型，方便用户快速部署和进行模型微调。

Florence-2-large 是微软开发的一个视觉语言模型，基于序列到序列学习范式，支持多种视觉任务。它通过 FLD-5B 数据集训练，包含 126 百万张图像和 54 亿个全面视觉注释，能够处理复杂的视觉数据，如对象位置、遮罩轮廓和属性，并通过多任务学习实现统一的视觉理解。模型在字幕生成、目标检测、视觉定位、视觉分割和OCR等方面表现良好。

gradio_image_annotator 是一个基于 Gradio 的图像标注组件，专门用于在图像上添加和编辑边框，适用于图像目标检测和标注场景。它提供了丰富的功能，帮助用户高效地进行图像标注和处理。

YOLOv9 是一种实时对象检测模型，超越了所有基于卷积和Transformer的模型。它引入了可编程梯度信息（PGI）和通用高效层聚合网络（GELAN）来提高准确性。该模型在基于 MS COCO 数据集的目标检测上验证了优异的性能，并且仅使用传统的卷积算子即可实现更好的参数利用率。YOLOv9 适用于从轻型到大型的各种模型，能够从头开始训练的模型比使用大数据集预训练的state-of-the-art模型获得更好的结果。

Lobe 是一款免费且易于使用的应用程序，用户可以训练自定义机器学习模型并将其融入自己的应用中。它提供了可视化编程界面，支持多种任务，如图像分类、目标检测和数据分类。用户只需下载应用，收集并标记图像或数据，Lobe 会基于标记的示例自动训练模型，用户可以使用摄像头或图像来测试模型，并在改进预测后将其导出到应用中进行部署。

Detectron2是一个开源的PyTorch视觉库，专注于目标检测和实例分割等任务。它在训练速度上较传统方案提升了40%，并在COCO数据集上实现了57.9%的mAP指标。该库支持分布式训练优化、实时推理加速和可扩展架构，适用于多种应用场景。

YOLOv12是一个基于注意力机制的新框架，旨在突破传统CNN架构的局限，提高性能和计算速度。

EquiTriton 是一个专为等变神经网络设计的高性能神经网络核工具，旨在提升神经网络的计算效率。它使用 Triton-lang 编写，提供了高性能的计算核，能够显著加速等变神经网络的训练和推理过程。该工具还支持在深度学习框架中集成高性能计算核，优化神经网络模型的推理速度，并支持大规模神经网络的并行计算。

Quadra 是一个通过配置文件简化深度学习工作流的工具，支持多种实验设置和超参数调优。它与 Hydra、Lightning 框架和 PyTorch 集成，使得深度学习工作流更加易于管理和重现。

detectron2-ResNeSt是基于Detectron2框架的一个分支，集成了ResNeSt骨干网络。该项目旨在通过引入ResNeSt网络，增强目标检测能力，特别是在复杂场景下的特征提取效果。它不仅支持目标检测和实例分割等下游任务，还允许用户使用ResNeSt骨干网络训练自定义模型，并在标准数据集上进行性能基准测试。