YOLO 系列官方实现库，一套 PyTorch 代码覆盖目标检测、实例与语义分割、图像分类、姿态估计和目标跟踪，训练到部署全流程打通。
基于 TensorRT 的 YOLO 系列模型部署工具包，支持检测、分割、姿态估计和旋转框检测，帮你在 NVIDIA 显卡上把推理跑得更快更省事。
ZED SDK 是 Stereolabs 为 ZED 立体相机提供的空间感知开发套件，支持实时深度估计、SLAM、点云和人体姿态估计，帮助快速搭建智能机器人与空间感知应用。
把 Ultralytics YOLOv8 到 YOLOv12 系列模型封装成 ROS 2 节点，让机器人项目能直接调用目标检测、实例分割、姿态估计和跟踪能力。
MIT 协议的开源计算机视觉库，支持目标检测、实例分割和姿态估计，兼容 ONNX 与 PyTorch，方便在边缘设备上训练和部署模型。
统一模型，从单目视频中同时重建动态人体与三维场景，输出带时间维度的4D结果，可用于人体姿态估计与场景理解。
基于 .NET 8 的 C# 视觉推理库，用 ONNX Runtime 或 TensorRT 跑 YOLO 模型，支持图像和实时视频的分类、检测、OBB、分割与姿态估计。
基于 OpenPifPaf 人体姿态估计模型做跌倒检测，结合目标跟踪分析视频中的人体关键点，判断是否发生摔倒，可在 CPU 或 GPU 上运行。
把 YOLO11 的检测、姿态估计、分割和跟踪模型用 TensorRT v8.0+ 部署到 C++ 和 Python 接口，省去自己写推理代码的麻烦。
单张图片一次前向即可重建画面中多人的 SMPL-X 三维人体网格与姿态，提供 PyTorch 推理代码和预训练模型，适合做多人姿态估计与人体重建的落地验证。
用 Python 实现的多摄像头实时多人跌倒检测，结合人体姿态估计和 LSTM 识别视频中的跌倒事件，适合看护场景。
基于 DETR 系列的目标检测研究平台，集成 DAB-DETR、DINO、Mask-DINO 等主流变体，方便复现和对比实验。
基于 PyQt5 的图形界面工具，用 YOLO 系列模型做目标检测、跟踪、实例分割和人体姿态估计，支持图片、视频和摄像头输入。
基于 ViTPose 的 2D 人体与动物多姿态估计工具，支持 ONNX、TensorRT 加速，可实时输出多种骨架格式。
Ultralytics 官方 YOLO 教程合集，提供可直接在 Colab、Kaggle、SageMaker 上运行的 Notebook，覆盖训练、推理、导出及检测、分割、姿态估计等视觉任务。
纯 C++ 实时单目多人 3D 全身重建，输出带手部 70 关节骨架的 BVH 动作捕捉数据，ONNX + ggml 推理无需 Python。
从单目视频里同时重建关节手和物体的三维姿态与形状，无需预扫描物体模板或手物交互训练数据，适合做手物交互建模与AR/VR研究。
用 Rust 封装 ONNX Runtime 跑 Ultralytics YOLO 推理，支持 CUDA、CoreML、OpenVINO 等 GPU 后端，还带命令行和 WebGPU/WASM，方便在本地或浏览器里做目标检测、分割、姿态估计。