2025年最佳 322 款目標檢測工具

基於DETR架構的表格檢測模型，專門用於從非結構化文檔中提取表格

Grounding DINO是一個開放集目標檢測模型，通過結合DINO檢測器與文本編碼器實現零樣本目標檢測能力。

Grounding DINO是一個結合DINO檢測器與接地預訓練的開放集目標檢測模型，能夠實現零樣本目標檢測。

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，在COCO數據集上訓練。

DETR是一個使用Transformer架構的端到端目標檢測模型，採用ResNet-101作為骨幹網絡，在COCO數據集上訓練。

基於DETR架構的文檔表格檢測模型，用於檢測文檔中的有邊框和無邊框表格

基於視覺Transformer（ViT）的目標檢測模型，使用DETR損失函數訓練，在COCO數據集上表現優異。

基於COCO 2017目標檢測數據集微調的YOLOS模型，使用視覺Transformer架構實現高效目標檢測。

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和不確定性最小化查詢選擇機制，在COCO數據集上達到53.1% AP，108 FPS的性能。

首個即時端到端目標檢測器，基於Transformer架構，消除非極大值抑制需求，在速度與精度上超越YOLO系列

基於YOLOv8m的目標檢測模型，專門用於表格提取任務，能夠檢測帶邊框和無邊框的表格。

基於YOLOv5n的輕量級車牌檢測模型，專為車牌識別任務優化

基於YOLOv8s的表格檢測模型，能夠準確識別圖像中的有邊框和無邊框表格。

RT-DETRv2是基於RT-DETR架構優化的即時目標檢測模型，通過選擇性多尺度特徵提取和訓練策略改進，在保持即時性能的同時提升檢測精度。

這是一個針對時尚領域微調的目標檢測模型，基於YOLOS架構，能夠識別和定位時尚物品及其細節。

YOLOE是一個高效、統一且開放的目標檢測與分割模型，支持文本、視覺輸入及無提示範式等多種提示機制，實現即時全能視覺感知。

OmDet-Turbo是基於即時Transformer的高效融合頭開放詞彙檢測模型，適用於零樣本目標檢測任務。

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和查詢選擇機制實現超越YOLO系列的速度與精度平衡

基於YOLOv8s微調的手寫簽名檢測模型，專門用於文檔圖像中的簽名定位

可變形DETR是一種端到端目標檢測模型，使用Transformer架構和可變形注意力機制改進檢測性能。

在DocLayNet數據集上訓練的可變形DETR模型，用於文檔佈局分析中的目標檢測任務，達到57.1的box mAP指標。

RT-DETRv2是一種改進的即時目標檢測Transformer模型，通過選擇性多尺度特徵提取和動態數據增強等策略提升性能。

基於YOLOv5m架構的車牌目標檢測模型，在車牌檢測任務上表現出色。

基於DETR架構的文檔佈局檢測模型，能夠識別文檔中的多種佈局元素。

RT-DETR是首個即時端到端目標檢測Transformer模型，通過高效混合編碼器和查詢選擇機制實現無NMS的高效檢測

TF-ID是專門用於提取學術論文中表格和圖表的視覺目標檢測模型，基於Florence-2微調而成

DETR是一個使用Transformer進行端到端目標檢測的模型，採用ResNet-101作為骨幹網絡並在COCO數據集上訓練。

條件DETR是一種改進的目標檢測模型，通過條件交叉注意力機制顯著提升訓練收斂速度

基於YOLOv8的目標檢測模型，專為即時檢測股市交易圖表中的關鍵模式而設計

基於YOLOv8的表格檢測模型，用於識別圖像中的表格區域，支持帶邊框和無邊框表格檢測。

YOLOv8 是 Ultralytics 開發的最新一代目標檢測模型，基於先前 YOLO 版本的成功構建，引入了新功能和改進，進一步提升性能和靈活性。

基於Transformer架構的端到端目標檢測模型，無需傳統目標檢測中的錨框設計

D-FINE是一個用於目標檢測的模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。

YOLOE是一個即時視覺全能模型，結合了目標檢測和視覺理解能力，適用於多種視覺任務。

基於facebook/detr-resnet-50模型在cppe-5數據集上微調的目標檢測模型，專注於個人防護裝備檢測。

該DETR模型在SKU110K目標檢測數據集上進行了端到端訓練，查詢數設置為400，適用於商品貨架檢測等場景。

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，並在COCO數據集上訓練。

D-FINE是一個強大的即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。

D-FINE 是一種即時目標檢測模型，通過重新定義邊界框迴歸任務，實現了卓越的定位精度。

LLMDet是基於大語言模型監督的強開放詞彙目標檢測器，CVPR2025亮點論文成果

YOLOv10是清華大學提出的即時端到端目標檢測模型，具有高效和準確的特點。

D-FINE 是一款基於 DETR 架構改進的即時目標檢測模型，通過重新定義邊界框迴歸任務實現了卓越的定位精度。