Ultralytics YOLO é uma biblioteca Python para visão computacional que abrange detecção, segmentação, classificação, estimativa de pose, rastreamento e muito mais.
62,8 mil+39 esta semana11,9 milPythonAGPL-3.0Atualizado há 18 horas
xlite-dev/lite.ai.toolkit
Toolkit C++ leve com mais de 100 modelos de IA para detecção, reconhecimento facial, segmentação e matting, executados em ONNXRuntime, MNN, TensorRT e outros backends.
- Estrelas
- 4,444
- Forks
- 783
- Issues abertas
- 1
- Último commit
- há 2 meses
O que é?
Lite.Ai.ToolKit é uma biblioteca C++ que reúne mais de 100 modelos pré-treinados de visão computacional e IA generativa em uma interface consistente, usando o padrão de nomenclatura lite::cv::Type::Class. As tarefas abrangidas incluem detecção de objetos (família YOLO, YOLOX, NanoDet, EfficientDet), detecção facial, alinhamento e reconhecimento facial, atributos de emoção e idade, classificação, segmentação e matting de vídeo ou imagem.
As dependências principais são OpenCV e ONNXRuntime, com backends opcionais para MNN, NCNN, TNN e TensorRT. Também há suporte para Stable Diffusion e um pipeline FaceFusion. O projeto fornece bibliotecas pré-compiladas e um script build.sh, além de documentar a compilação no Linux, testada no Ubuntu 20.04.
Desenvolvedores que precisam chamar esses modelos em C++ dentro de uma aplicação existente, em vez de usar Python, podem utilizar a biblioteca como um wrapper pronto, com pré e pós-processamento já implementados.
Recursos principais
- 01API C++ consistente para mais de 100 modelos de visão computacional, com pré e pós-processamento incluídos.
- 02Executa por padrão no ONNXRuntime, com backends opcionais para MNN, NCNN, TNN e TensorRT.
- 03Abrange detecção, reconhecimento e alinhamento facial, segmentação e matting.
- 04Dependências obrigatórias mínimas: OpenCV e ONNXRuntime.
- 05Inclui exemplos de Stable Diffusion e do pipeline FaceFusion.
Casos de uso
- Adicionar detecção de objetos baseada em YOLO a uma aplicação C++ para desktop ou sistemas embarcados.
- Criar um pipeline de reconhecimento facial ou de landmarks sem depender de um runtime Python.
- Executar matting de fundo ou segmentação em uma ferramenta C++ de processamento de vídeo.
- Comparar o mesmo modelo nos backends ONNXRuntime, MNN e TensorRT.
Início rápido
- 1
Clone o repositório
git clone --depth=1 https://github.com/xlite-dev/lite.ai.toolkit.git - 2
Compile a biblioteca a partir do código-fonte usando o script de compilação
cd lite.ai.toolkit && sh ./build.sh - 3
Ou baixe a biblioteca pré-compilada na página da versão v0.2.0
Antes de usar
- O script de compilação é compatível apenas com Linux.
- Licenciado sob GPL-3.0, uma licença copyleft que exige que obras derivadas sejam disponibilizadas como código aberto sob os mesmos termos.
- A aceleração com TensorRT requer TensorRT 10.x ou posterior e CUDA 12.x ou posterior.
Em coleções
Tópicos
Perguntas frequentes
- O que é lite.ai.toolkit?
- Toolkit C++ leve com mais de 100 modelos de IA para detecção, reconhecimento facial, segmentação e matting, executados em ONNXRuntime, MNN, TensorRT e outros backends. Lite.Ai.ToolKit é uma biblioteca C++ que reúne mais de 100 modelos pré-treinados de visão computacional e IA generativa em uma interface consistente, usando o padrão de nomenclatura lite::cv::Type::Class. As tarefas abrangidas incluem detecção de objetos (família YOLO, YOLOX, NanoDet, EfficientDet), detecção facial, alinhamento e reconhecimento facial, atributos de emoção e idade, classificação, segmentação e matting de vídeo ou imagem.
- lite.ai.toolkit é gratuito? Qual é a licença?
- lite.ai.toolkit é open source sob a licença GPL-3.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- lite.ai.toolkit ainda é mantido?
- Atualizado nos últimos 6 meses. O último commit de lite.ai.toolkit foi em 5 de set. de 2026.
- Para que posso usar lite.ai.toolkit?
- Adicionar detecção de objetos baseada em YOLO a uma aplicação C++ para desktop ou sistemas embarcados. Criar um pipeline de reconhecimento facial ou de landmarks sem depender de um runtime Python. Executar matting de fundo ou segmentação em uma ferramenta C++ de processamento de vídeo. Comparar o mesmo modelo nos backends ONNXRuntime, MNN e TensorRT.
- Como instalar lite.ai.toolkit?
- Clone o repositório: git clone --depth=1 https://github.com/xlite-dev/lite.ai.toolkit.git Compile a biblioteca a partir do código-fonte usando o script de compilação: cd lite.ai.toolkit && sh ./build.sh Ou baixe a biblioteca pré-compilada na página da versão v0.2.0
- Onde consigo lite.ai.toolkit?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/xlite-dev/lite.ai.toolkit
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Toolkit em C++/Python para implantar modelos da família YOLO em GPUs NVIDIA com TensorRT, abrangendo detecção, segmentação, classificação, pose e OBB.
1,9 mil199C++GPL-3.0Atualizado mês passado
NVR self-hosted e local com visão computacional por IA para detectar objetos, movimento e rostos nas suas próprias câmeras.
3,7 mil453PythonMITAtualizado há 18 horas
Implementação oficial em PyTorch do BiRefNet, um modelo de deep learning para segmentação dicotômica de imagens em alta resolução, usado com frequência para remover fundos.
4,3 mil+9 esta semana345PythonMITAtualizado há 7 dias
Plugin do OBS Studio que remove ou substitui o fundo de pessoas em vídeos usando segmentação de retratos por redes neurais, além de aprimorar imagens em ambientes com pouca luz.
4,6 mil+4 esta semana294C++GPL-3.0Atualizado ontem
Ultralytics YOLOv5, toolkit de visão computacional baseado em PyTorch para detecção de objetos, segmentação de instâncias e classificação de imagens, com recursos de treinamento e exportação.
58,2 mil+22 esta semana17,5 milPythonAGPL-3.0Atualizado há 3 dias