2024 Python 计算生态二月推荐榜 第72期

看见更大的世界，遇见更好的自己
See a better world to meet better for ourselves.

        目标检测（Object Detection）是计算机视觉领域的一个重要分支，它的目标是使计算机能够像人类一样理解和识别图像中的各种对象。这个领域已经在众多应用中发挥了重要作用，比如视频监控、自动驾驶汽车、面部识别以及工业自动化。目标检测的基本任务可以分为两个主要部分：物体定位,确定图像中每个物体的位置。通常，这是通过在物体周围绘制边界框来实现的。物体分类,确定每个边界框内物体的类别。例如，图像中的物体可能被分类为“人”、“汽车”、“狗”等。目标检测算法大致可以分为两类：基于两阶段的方法：首先生成潜在的有趣区域，然后对这些区域进行分类。基于单阶段的方法：在一个步骤中直接进行物体定位和分类。这类方法通常更快，但可能在准确度上有所牺牲。代表性算法有YOLO和SSD。

        2024年2月，随着不断开发新的算法和技术，目标检测的精度不断提升，可以更精确地感知小目标。好事者特别推荐10款优秀的Python计算生态，帮助您了解目标检测。

detectron2

这是由Facebook研究院开发的一个平台，用于物体检测、分割和其他视觉识别任务。它设计灵活高效。

https://github.com/facebookresearch/detectron2

Mask_RCNN

专注于物体检测和实例分割，基于Keras和TensorFlow。它为这些计算机视觉任务提供灵活有效的解决方案。

https://github.com/matterport/Mask_RCNN

detr

利用 Transformers 进行端到端物体检测的新方法。Transformers 通常用于自然语言处理。

https://github.com/facebookresearch/detr

PaddleDetection

PaddlePaddle的物体检测工具包。它支持物体检测、实例分割、多物体跟踪和实时多人关键点检测等功能。

https://github.com/PaddlePaddle/PaddleDetection

U-2-Net

专注于显著性物体检测，采用了一种新的深度学习架构。

https://github.com/xuebinqin/U-2-Net

yolo_tracking

用于分割、物体检测和姿态估计模型的最先进的跟踪模块。它结合了深度学习技术，特别是Yolo（You Only Look Once）模型，以实现有效的多物体跟踪。

https://github.com/mikel-brostrom/yolo_tracking

nanodet

超快速、轻量级的无锚点物体检测模型。它的特点是体积小（int8格式仅为980KB，fp16格式为1.8MB），且在手机上运行速度快（可达每秒97帧）。

https://github.com/RangiLyu/nanodet

OpenPCDet

这是一个基于激光雷达（LiDAR）的3D物体检测工具箱。它专门用于激光雷达数据的3D物体检测，适用于自动驾驶和相关领域。

https://github.com/open-mmlab/OpenPCDet

DAMO-YOLO

快速且准确的物体检测方法，采用了一些新技术，包括NAS（神经结构搜索）骨架、高效的RepGFPN、ZeroHead、AlignedOTA和蒸馏增强。

https://github.com/tinyvision/DAMO-YOLO

mmtracking

一个视频感知工具箱，支持视频物体检测（VID）、多物体跟踪（MOT）、单物体跟踪（SOT）和视频实例分割（VIS），采用统一框架实现。它集成了多种视频感知相关的功能，适用于多种应用场景。

https://github.com/open-mmlab/mmtracking