AS-One

612 106 较难 1 次阅读 1个月前GPL-3.0图像开发框架

AI 解读由 AI 自动生成，仅供参考

AS-One 是一款专为计算机视觉任务打造的模块化 Python 库，旨在让目标检测、图像分割、姿态估计及多目标追踪变得极其简单。它像一个统一的“工具箱”，将 YOLO 系列（涵盖 v5 至最新的 v9 及 R、X 版本）与强大的跟踪算法（如 ByteTrack、DeepSORT、NorFair）以及 SAM（Segment Anything Model）无缝集成。

过去，开发者往往需要为不同版本的模型编写复杂的适配代码，或花费大量时间处理格式转换。AS-One 完美解决了这一痛点，用户仅需不到 10 行代码，即可灵活调用 ONNX、PyTorch 或 CoreML 等多种格式的模型，快速实现从检测到追踪的全流程部署。其高度模块化的设计允许用户像搭积木一样，自由组合不同的检测器与追踪器，极大提升了开发效率与实验灵活性。

这款工具非常适合计算机视觉开发者、算法研究人员以及希望快速验证原型的工程师使用。无论你是需要构建实时监控系统，还是进行学术算法对比，AS-One 都能提供稳定且高效的支持。通过屏蔽底层繁琐的配置细节，它让用户能更专注于核心业务逻辑与创新，是探索 YOLO 生态与前沿视觉技术的得力助手。

使用场景

某智慧物流团队正在开发一套自动化分拣系统，需要实时识别传送带上的包裹并追踪其运动轨迹，以控制机械臂进行精准抓取。

没有 AS-One 时

代码冗余严重：开发者需分别下载 YOLOv5/v8 等不同版本的官方仓库，为每个模型编写独立的加载与推理脚本，导致项目结构混乱。
算法集成困难：若想将检测模型与 ByteTrack 或 DeepSORT 等追踪器结合，需手动对齐数据格式并调试接口，往往需要数百行胶水代码。
环境部署繁琐：不同模型依赖特定的 PyTorch 版本或 ONNX 运行时，频繁切换环境极易引发依赖冲突，配置 GPU 加速更是耗时耗力。
迭代验证缓慢：尝试新模型（如最新的 YOLOv9）或分割任务（SAM）时，重新搭建流程需数天时间，严重拖慢原型验证进度。

使用 AS-One 后

统一调用接口：仅需不到 10 行代码即可灵活切换 YOLOv5 至 v9 等多种模型，无需关心底层实现差异，项目结构清晰简洁。
模块化即插即用：内置多种追踪器与检测模型的预置组合，一键启用“检测 + 追踪”或“分割 + 姿态估计”流水线，大幅降低集成门槛。
跨平台高效运行：自动适配 ONNX、PyTorch 及 CoreML 后端，屏蔽底层驱动与环境配置细节，让团队能专注于业务逻辑而非环境调试。
快速技术演进：无缝支持最新发布的 YOLOv9 和 SAM 模型，团队可在几小时内完成新算法的性能测试与对比，显著加速产品迭代。

AS-One 通过高度模块化的设计，将复杂的计算机视觉工程链路简化为简单的 API 调用，让开发者从繁琐的底层适配中解放出来，专注于核心业务价值的创造。

运行环境要求

操作系统

Linux
macOS
Windows

GPU

非必需（支持 CPU 模式）
若使用 GPU，需安装 NVIDIA 驱动，文档示例中指定了 CUDA 11.3 (cu113) 环境

内存

未说明

依赖

notesWindows 用户必须从源代码安装（需先安装 MS Build Tools 和 Git）；Linux/macOS 可直接通过 pip 安装。支持 YOLOv5/v7/v8/v9、SAM、ByteTrack、DeepSORT 等模型。MacOS 支持 Apple Silicon (M1/M2)。若使用 GPU，Linux/Windows 需手动指定 cu113 版本的 PyTorch。

python未说明 (根据 PyTorch 和依赖库推断建议 Python 3.8+)

torch

torchvision

onnxruntime-gpu==1.12.1

typing_extensions==4.7.1

super-gradients==3.1.3

numpy

Cython

lap

cython-bbox

快速开始

AS-One v2：用于 YOLO 目标检测、分割、跟踪与姿态估计的模块化库

观看视频

👋 你好

==更新：ASOne v2 现已发布！我们已集成 YOLOV9 和 SAM==

AS-One 是一个 Python 封装库，将多种目标检测和跟踪算法集中于一处。不同的跟踪器，如 ByteTrack、DeepSORT 或 NorFair，只需少量代码即可与不同版本的 YOLO 集成。该 Python 封装库提供 ONNX、PyTorch 和 CoreML 格式的 YOLO 模型。我们计划在后续版本的 YOLO 发布时为其提供支持。

这是一站式库，满足您大部分计算机视觉需求。

如果您想深入学习 YOLO 目标检测与跟踪，欢迎查看我们的课程和项目。

观看分步教程 🤝

💻 安装

🔥 先决条件

如果您希望使用 GPU，请确保已在系统中安装 GPU 驱动程序。请参阅驱动程序安装指南获取详细说明。
如果您使用的是 Windows 系统，请确保已安装 MS Build 工具。
如果尚未安装 Git，请下载适用于 Windows 的 Git。

pip install asone

对于 Windows 机器，您需要从源代码安装才能运行 asone 库。请参阅下方的 👉 从源代码安装 部分，了解在 Windows 上的安装步骤。

👉 从源代码安装

💾 克隆仓库

导航到您选择的空文件夹。

git clone https://github.com/augmentedstartups/AS-One.git

进入 AS-One 目录：

cd AS-One

👉 对于 Linux

python3 -m venv .env
source .env/bin/activate

pip install -r requirements.txt

# 对于 CPU
pip install torch torchvision
# 对于 GPU
pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113

👉 对于 Windows 10/11

python -m venv .env
.env\Scripts\activate
pip install numpy Cython
pip install lap
pip install -e git+https://github.com/samson-wang/cython_bbox.git#egg=cython-bbox

pip install asone onnxruntime-gpu==1.12.1
pip install typing_extensions==4.7.1
pip install super-gradients==3.1.3
# 对于 CPU
pip install torch torchvision

# 对于 GPU
pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113
或
pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio===0.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

👉 对于 macOS

python3 -m venv .env
source .env/bin/activate


pip install -r requirements.txt

# 对于 CPU
pip install torch torchvision

快速入门 🏃‍♂️

在示例视频上使用跟踪器。

import asone
from asone import ASOne

model = ASOne(tracker=asone.BYTETRACK, detector=asone.YOLOV9_C, use_cuda=True)
tracks = model.video_tracker('data/sample_videos/test.mp4', filter_classes=['car'])

for model_output in tracks:
    annotations = ASOne.draw(model_output, display=False)

在 `Google Colab` 中运行 💻

示例代码片段 📃

6.1 👉 目标检测

import asone
from asone import ASOne

model = ASOne(detector=asone.YOLOV9_C, use_cuda=True) # 设置 use_cuda 为 False 以使用 CPU
vid = model.read_video('data/sample_videos/test.mp4')

for img in vid:
    detection = model.detecter(img)
    annotations = ASOne.draw(detection, img=img, display=True)

运行 asone/demo_detector.py 来测试检测器。

# 在 GPU 上运行
python -m asone.demo_detector data/sample_videos/test.mp4

# 在 CPU 上运行
python -m asone.demo_detector data/sample_videos/test.mp4 --cpu

6.1.1 👉 使用自定义训练的权重进行检测

只需提供权重文件的路径，即可使用基于自定义数据训练的检测器模型的自定义权重。

import asone
from asone import ASOne

model = ASOne(detector=asone.YOLOV9_C, weights='data/custom_weights/yolov7_custom.pt', use_cuda=True) # 设置 use_cuda 为 False 以使用 CPU
vid = model.read_video('data/sample_videos/license_video.mp4')

for img in vid:
    detection = model.detecter(img)
    annotations = ASOne.draw(detection, img=img, display=True, class_names=['license_plate'])

6.1.2 👉 更改检测器模型

只需更改检测器标志即可切换检测器。这些标志在基准测试表格中列出。

我们的库现在支持在 macOS 上使用 YOLOv5、YOLOv7 和 YOLOv8。

# 更改检测器
model = ASOne(detector=asone.YOLOX_S_PYTORCH, use_cuda=True)

# 对于 macOS
# YOLO5
model = ASOne(detector=asone.YOLOV5X_MLMODEL)
# YOLO7
model = ASOne(detector=asone.YOLOV7_MLMODEL)
# YOLO8
model = ASOne(detector=asone.YOLOV8L_MLMODEL)

6.2 👉 目标跟踪

在示例视频上使用跟踪器。

import asone
from asone import ASOne

# 实例化 Asone 对象
model = ASOne(tracker=asone.BYTETRACK, detector=asone.YOLOV9_C, use_cuda=True) # 设置 use_cuda=False 以使用 CPU
tracks = model.video_tracker('data/sample_videos/test.mp4', filter_classes=['car'])

# 遍历跟踪结果，获取每一帧的输出
for model_output in tracks:
    annotations = ASOne.draw(model_output, display=True)
    # 在这里可以对边界框进行任何操作

[注意] 可以通过在 ASOne 类中提供检测器模型权重文件的路径来使用自定义权重。

6.2.1 👉 更改检测器和跟踪模型

只需更改 tracker 标志即可更换跟踪器。

标志在 benchmark 表格中提供。

model = ASOne(tracker=asone.BYTETRACK, detector=asone.YOLOV9_C, use_cuda=True)
# 更换跟踪器
model = ASOne(tracker=asone.DEEPSORT, detector=asone.YOLOV9_C, use_cuda=True)

# 更改检测器
model = ASOne(tracker=asone.DEEPSORT, detector=asone.YOLOX_S_PYTORCH, use_cuda=True)

运行 asone/demo_tracker.py 来测试检测器。

# 在 GPU 上运行
python -m asone.demo_tracker data/sample_videos/test.mp4

# 在 CPU 上运行
python -m asone.demo_tracker data/sample_videos/test.mp4 --cpu

6.3 👉 分割

import asone
from asone import ASOne

model = ASOne(detector=asone.YOLOV9_C, segmentor=asone.SAM, use_cuda=True) # 设置 use_cuda=False 以使用 CPU
tracks = model.video_detecter('data/sample_videos/test.mp4', filter_classes=['car'])

for model_output in tracks:
    annotations = ASOne.draw_masks(model_output, display=True) # 绘制分割掩码

6.4 👉 文本检测

在图像上检测文本的示例代码

# 检测并识别文本
import asone
from asone import ASOne, utils
import cv2

model = ASOne(detector=asone.CRAFT, recognizer=asone.EASYOCR, use_cuda=True) # 将 use_cuda 设置为 False 以使用 CPU
img = cv2.imread('data/sample_imgs/sample_text.jpeg')
results = model.detect_text(img)
annotations = utils.draw_text(img, results, display=True)

在文本上使用跟踪器

import asone
from asone import ASOne

# 实例化 Asone 对象
model = ASOne(tracker=asone.DEEPSORT, detector=asone.CRAFT, recognizer=asone.EASYOCR, use_cuda=True) # 设置 use_cuda=False 以使用 CPU
tracks = model.video_tracker('data/sample_videos/GTA_5-Unique_License_Plate.mp4')

# 遍历跟踪结果，获取每一帧的输出
for model_output in tracks:
    annotations = ASOne.draw(model_output, display=True)

    # 在这里可以对边界框进行任何操作

运行 asone/demo_ocr.py 来测试 OCR。

# 在 GPU 上运行
 python -m asone.demo_ocr data/sample_videos/GTA_5-Unique_License_Plate.mp4

# 在 CPU 上运行
 python -m asone.demo_ocr data/sample_videos/GTA_5-Unique_License_Plate.mp4 --cpu

6.5 👉 姿态估计

在图像上估计姿态的示例代码

# 姿态估计
import asone
from asone import PoseEstimator, utils
import cv2

model = PoseEstimator(estimator_flag=asone.YOLOV8M_POSE, use_cuda=True) # 设置 use_cuda=False 以使用 CPU
img = cv2.imread('data/sample_imgs/test2.jpg')
kpts = model.estimate_image(img)
annotations = utils.draw_kpts(kpts, image=img, display=True)

现在可以使用 Yolov8 和 Yolov7-w6 进行姿态估计。标志在 benchmark 表格中提供。

# 视频中的姿态估计
import asone
from asone import PoseEstimator, utils

model = PoseEstimator(estimator_flag=asone.YOLOV7_W6_POSE, use_cuda=True) # 设置 use_cuda=False 以使用 CPU
estimator = model.video_estimator('data/sample_videos/football1.mp4')
for model_output in estimator:
    annotations = utils.draw_kpts(model_output)
    # 在这里可以对关键点进行任何操作

运行 asone/demo_pose_estimator.py 来测试姿态估计。

# 在 GPU 上运行
 python -m asone.demo_pose_estimator data/sample_videos/football1.mp4

# 在 CPU 上运行
 python -m asone.demo_pose_estimator data/sample_videos/football1.mp4 --cpu

要使用 Docker 设置 ASOne，请按照 docker setup 中的说明操作🐳

待办事项 📝

初始发布
导入训练好的模型
进一步简化代码
更新至 YOLOv8
OCR 和计数功能
OCSORT、StrongSORT、MoTPy
M1/2 Apple Silicon 兼容性
YOLOv7/v8 姿态估计
YOLO-NAS
更新至 YOLOv8.1
YOLOV9
SAM 集成

提供方 💼 :	维护方 👨‍💻 :

AS-One v2 快速上手指南

AS-One 是一个模块化的 Python 库，集成了 YOLO 系列的目标检测、分割、跟踪及姿态估计功能。它支持将多种追踪器（如 ByteTrack, DeepSORT）与不同版本的 YOLO 模型（包括 YOLOv9 和 SAM）无缝结合，提供极简的代码接口。

环境准备

在开始之前，请确保满足以下系统要求：

操作系统：Linux, Windows 10/11, macOS (支持 M1/M2 Apple Silicon)。
Python 版本：推荐 Python 3.8+。
GPU 支持（可选）：
- 若需使用 GPU 加速，请预先安装对应的 NVIDIA 显卡驱动。
- Windows 用户需安装 MS Build Tools。
- 所有平台需安装 Git。

安装步骤

方法一：通过 PyPI 安装（推荐 Linux/macOS）

对于大多数 Linux 和 macOS 用户，可以直接通过 pip 安装：

pip install asone

方法二：源码安装（Windows 用户必读）

Windows 用户建议从源码安装以确保所有依赖（如 lap 和 cython_bbox）正确编译。

克隆仓库

git clone https://github.com/augmentedstartups/AS-One.git
cd AS-One

创建并激活虚拟环境

# Windows
python -m venv .env
.env\Scripts\activate

安装依赖 依次执行以下命令安装特定依赖和主库：

pip install numpy Cython
pip install lap
pip install -e git+https://github.com/samson-wang/cython_bbox.git#egg=cython-bbox

pip install asone onnxruntime-gpu==1.12.1
pip install typing_extensions==4.7.1
pip install super-gradients==3.1.3

安装 PyTorch 根据你的硬件选择 CPU 或 GPU 版本：

# 仅 CPU
pip install torch torchvision

# GPU (CUDA 11.3 示例)
pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113

提示：国内用户若下载缓慢，可在 pip install 命令后添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华镜像源。PyTorch 建议使用官方源或国内镜像站提供的 wheel 包。

基本使用

AS-One 的核心优势在于统一的接口。以下是最简单的目标检测与跟踪示例。

1. 视频目标跟踪 (Object Tracking)

结合 YOLOv9 检测器和 ByteTrack 追踪器处理视频：

import asone
from asone import ASOne

# 初始化模型：指定追踪器、检测器，并启用 CUDA (若无 GPU 设为 False)
model = ASOne(tracker=asone.BYTETRACK, detector=asone.YOLOV9_C, use_cuda=True)

# 运行视频跟踪，可过滤特定类别 (如只跟踪 'car')
tracks = model.video_tracker('data/sample_videos/test.mp4', filter_classes=['car'])

# 遍历每一帧的结果并绘制
for model_output in tracks:
    annotations = ASOne.draw(model_output, display=True)
    # 在此处可对 bboxes 进行后续处理

2. 纯目标检测 (Object Detection)

如果不需要跟踪，仅进行单帧检测：

import asone
from asone import ASOne

# 初始化检测模型
model = ASOne(detector=asone.YOLOV9_C, use_cuda=True)

# 读取视频流
vid = model.read_video('data/sample_videos/test.mp4')

for img in vid:
    detection = model.detecter(img)
    # 绘制结果，display=True 会弹出窗口显示，False 则返回图像数组
    annotations = ASOne.draw(detection, img=img, display=True)

3. 使用自定义权重

如果你有自己的训练模型，只需在初始化时传入权重路径：

model = ASOne(
    detector=asone.YOLOV9_C, 
    weights='path/to/your/custom_weights.pt', 
    use_cuda=True
)

其他功能速览

实例分割：设置 segmentor=asone.SAM，使用 ASOne.draw_masks() 绘制掩码。
文本检测 (OCR)：设置 detector=asone.CRAFT 和 recognizer=asone.EASYOCR，使用 model.detect_text()。
姿态估计：使用 PoseEstimator 类，设置 estimator_flag=asone.YOLOV8M_POSE。

版本历史

AS-Onev12023/06/20

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|1周前

Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|1周前

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 154.3k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 108.3k|★★☆☆☆|3天前

开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|4天前

插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|1周前

插件开发框架

使用场景

没有 AS-One 时

使用 AS-One 后

运行环境要求

快速开始

AS-One v2：用于 YOLO 目标检测、分割、跟踪与姿态估计的模块化库

👋 你好

💻 安装

💾 克隆仓库

快速入门 🏃‍♂️

在 Google Colab 中运行 💻

示例代码片段 📃

待办事项 📝

AS-One v2 快速上手指南

环境准备

安装步骤

方法一：通过 PyPI 安装（推荐 Linux/macOS）

方法二：源码安装（Windows 用户必读）

基本使用

1. 视频目标跟踪 (Object Tracking)

2. 纯目标检测 (Object Detection)

3. 使用自定义权重

其他功能速览

版本历史

相似工具推荐

openclaw

stable-diffusion-webui

everything-claude-code

ComfyUI

gemini-cli

markitdown

在 `Google Colab` 中运行 💻