Início Projetos KittiSeg
KittiSeg
Python

KittiSeg

Um modelo de Segmentação de Estrada Kitti implementado em tensorflow.

por MarvinTeichmann · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
autonomous-drivingcomputer-visionfcnMITPython
Ver no GitHub
Em palavras simples

Segmentar imagens de estrada usando um modelo que funciona bem mesmo com um pequeno conjunto de dados.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
KittiSeg — GitHub preview card
📈 Histórico de estrelas
918917
2026-07-202026-08-31
📈 Acompanhe KittiSeg

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Um modelo de Segmentação de Estrada Kitti implementado em tensorflow.

KittiSeg tem 917 estrelas no GitHub. Foi bifurcado 396 vezes. KittiSeg é escrito principalmente em Python. Está em desenvolvimento ativo desde 2016. KittiSeg está disponível sob a licença MIT. Os seus principais temas são: autonomous-driving, computer-vision, fcn, kitti-data.

Frequently asked questions

O que é KittiSeg?

Um modelo de Segmentação de Estrada Kitti implementado em tensorflow.

KittiSeg é de código aberto?

KittiSeg é um projeto de código aberto. É distribuído sob a licença MIT.

KittiSeg é gratuito?

Sim. KittiSeg é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está KittiSeg?

KittiSeg está disponível sob a licença MIT.

Em que linguagem KittiSeg está escrito?

KittiSeg é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — KittiSeg

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=marvinteichmann-kittiseg)](https://olud.ai/project/marvinteichmann-kittiseg.html)
Mais opções de badge →
🧬 Partilha ADN com

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.