DE-DETRs旨在实现数据高效的目标检测，采用Transformer架构，适用于需要减少数据使用的场景。
RT-DETR（Real-time DEtection Transformer）是一种在速度和准确率方面均超越YOLO系列的先进物体检测模型，旨在提升计算机视觉任务的效率和效果。该模型采用高效的混合编码器和不确定性最小查询选择方法，支持灵活的速度调整和多尺度特征处理，在COCO数据集上表现出色。
Salient Extract是一个基于yoloV8深度学习模型的显著目标提取工具，能够高效提取图像中的显著特征，支持多种输入图像格式，并能与其他计算机视觉任务结合使用。
One-YOLOv5 是一个基于 OneFlow 后端的 YOLOv5 实现，旨在提升目标检测模型的训练速度和效率，特别适用于资源受限的环境。它兼容 OneFlow 后端，优化了模型训练时间，支持多种数据集格式，并提供详细的性能分析和优化方法，帮助用户提高模型生产率。
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。
LC-FDNet是一个利用频率分解网络进行无损图像压缩的项目，具有高效的压缩性能，能够在不损失图像质量的情况下大幅度减少图像文件的大小。该项目旨在优化存储和传输大规模图像数据的效率，适合需要高质量图像处理的应用场景。
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。
一套开源的环视物体检测方案，实现了在鸟瞰图视角下的特征优化，可应用于汽车自动驾驶场景。
