基于 PyTorch 的语义分割模型库，提供 500+ 预训练卷积与 Transformer 骨干网络，开箱即用，省去自己搭建和训练分割模型的麻烦。
基于 PyTorch 的医学图像分割非官方实现，支持 2D 和 3D 数据，方便快速搭建和训练分割模型。
Meta 开源的 SAM 2 图像与视频通用分割模型，提供推理代码、预训练权重下载和示例 notebook，可对任意画面中的物体做可提示分割与视频目标跟踪。
基于 PyTorch 的目标检测全家桶，覆盖训练、推理、实例分割、图像分类和模型导出，开箱即用，适合快速落地视觉任务。
一款 Android 图像处理应用，集裁剪、绘图、滤镜、OCR 和背景移除等数十种功能于一体，适合在手机上完成进阶修图与批量处理。
RF-DETR 是 Roboflow 推出的实时目标检测与实例分割模型架构，在 COCO 上达到 SOTA，适合直接微调落地。
基于 PyTorch 的医学影像深度学习工具包，提供数据加载、预处理、网络结构和评估等组件，帮研究者快速搭建医疗影像 AI 流程。
基于 Keras 实现的 U-Net 图像分割模型，提供训练与推理代码，适合医学影像等像素级分割任务的快速复现与二次开发。
集成 YOLO 与 SAM 系列模型的 AI 辅助标注工具，能自动预标注图像，省去手工框选和分割的重复劳动。
BiSeNet 语义分割网络的 PyTorch 实现，支持 Cityscapes、ADE20K、COCO-Stuff 数据集，并提供 ncnn、OpenVINO、TensorRT、Triton 等推理部署方案。
把任意电脑或边缘设备变成计算机视觉推理服务器，一条命令部署目标检测、分类、实例分割等模型，省去自己搭服务的麻烦。
基于 TensorRT 和 CUDA 加速 YOLO 系列模型部署的 C++ 示例库，覆盖检测、姿态、分割、深度估计、OBB 和分类等任务，帮你在 NVIDIA 显卡上把推理跑得更快。
基于零样本分割模型实现任意图像抠图，无需针对特定类别训练即可提取前景透明通道，适合快速落地通用抠图需求。
半监督 LiDAR 语义分割方法，通过激光混合策略利用少量标注数据训练 3D 点云分割模型，提升自动驾驶场景下的分割精度。
U-Time 是一个用全卷积网络做时间序列分割的模型，最初用于睡眠分期分析，也可迁移到其他时序分割任务。
用生成模型合成带标注的肝脏肿瘤 CT 图像，无需人工标注即可训练分割模型，缓解医学影像标注成本高的问题。