一份清单，快速找到你想要的 YOLO 模型和数据集。
awesome-yolo-object-detection 是一个精选 YOLO 目标检测系列开源项目和数据集的资源合集。它系统整理了 YOLO 从 v1 到 v8 以及最新变体的官方实现、第三方改进版本、配套训练工具和常用检测数据集（如 COCO、VOC 等），帮助开发者快速定位所需资源。项目按版本和功能分类，每个条目附有简要说明和仓库链接，解决了 YOLO 生态碎片化、查找困难的问题。核心能力在于提供一站式的 YOLO 学习与选型索引，无论是入门者了解模型演进，还是工程师寻找特定场景的预训练模型或改进方案，都能从中获得清晰指引。该列表持续更新，覆盖了从研究到工业落地的广泛资源，是 YOLO 社区的重要导航入口。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆资源仓库
把 awesome 列表下载到本地，仓库本身只是索引，体积极小
git clone https://github.com/coderonion/awesome-yolo-object-detection.git2阅读目录结构
打开 README.md，先看 Contents 目录，了解 YOLO 实现、部署框架、数据集等分类
cd awesome-yolo-object-detection
cat README.md3按分类定位资源
在 Summary、Other Versions of YOLO、Lighter and Deployment Frameworks 等小节中找到目标项目
4克隆目标子项目
以 README 中列出的 TensorRT-YOLO 为例，用其仓库链接单独克隆到本地
git clone https://github.com/laugh12321/TensorRT-YOLO.git5查看子项目说明
进入子项目后阅读它自己的 README，安装依赖和运行方式以该文档为准
cd TensorRT-YOLO
cat README.md本地 README.md 能正常打开，且能看到 Contents 目录与各 YOLO 版本、部署框架条目即算成功。
Q：这个仓库需要安装环境或依赖吗？
A：不需要。它是资源索引列表，不含可执行代码，克隆后直接用编辑器或浏览器阅读 README 即可。
Q：怎么真正跑起一个 YOLO 模型？
A：从列表中挑出目标项目（如 TensorRT-YOLO、tensorrtx），单独克隆后按其仓库 README 安装依赖并运行。
Q：列表里的链接打不开怎么办？
A：部分项目可能改名或迁移，可在 GitHub 直接搜索项目名，或访问条目中给出的官方文档站点。
Q：没有 NVIDIA GPU 能用吗？
A：可以。列表同时收录 ONNX Runtime、Wonnx、Web 端等实现，适合 CPU 或浏览器环境推理。
awesome-object-detection、awesome-computer-vision、deep-learning-object-detection
awesome-yolo-object-detection 是计算机视觉领域的开源项目，由 coderonion 开发，2022 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（1,792）位列前 30%，在计算机视觉分类中处于中上游。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。免费使用，无付费版本。
它主要面向的使用场景是：入门学习YOLO系列模型演进路线。同类可对比的替代方案包括 awesome-object-detection、awesome-computer-vision、deep-learning-object-detection。
下一篇：docstrange
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档
DEIMv2
开源
用DINOv3做实时检测，又快又准，直接落地。
[DEIMv2] Real Time Object Detection Meets DINOv3