以 PyTorch 的 ResNet50-SSD512 進行物件偵測的標註、訓練與推論 (Python 命令列版本)。

以 PyTorch 的 ResNet50-SSD300 進行物件偵測的標註、訓練與推論 (Python 命令列版本)。

以 YOLO26 進行旋轉邊界框 (OBB) 物件偵測的標註、訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Xception 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 VGG-16 進行影像分類的訓練與推論 (Python 命令列版本)。

以 ViT、Swin 進行影像分類，並以 SAM2 進行影像分割推論的 Transformer 模型 SDK (Python 命令列版本)。

以 PyTorch 的 SqueezeNet 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 ShuffleNet-v2 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 ShuffleNet-v1 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 ResNeXt-101 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 ResNet-50 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Resnet-in-Resnet 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 RegNetY-3.2GF（pycls 引擎）進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 MobileNet-v3 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 MobileNetV1 進行影像分類的訓練與推論，並輸出 AOI 過殺與漏檢統計 (Python 命令列版本)。

以 PyTorch 的 MnasNet 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Inception-v4 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Inception-v3 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 InceptionV3 產生類別活化圖 (CAM)，視覺化網路關注的影像區域 (Python 命令列版本)。

以 PyTorch 的 Inception-v2 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Inception-ResNet-v2 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 Inception-ResNet-v1 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 GoogleNet (Inception v1) 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 EfficientNet (B0 至 B7) 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 DenseNet-121 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 CSPNet (CSP-ResNet50) 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的殘差注意力網路 (Residual Attention Network) 進行影像分類的訓練與推論 (Python 命令列版本)。

以 PyTorch 的 AlexNet 進行影像分類的訓練與推論 (Python 命令列版本)。

使用 OpenCV 特徵點配對與 RANSAC 單應矩陣，將兩張重疊照片拼成全景影像（Python 命令列版本）。

使用 YOLACT（PyTorch）進行即時實例分割，內附標註工具與訓練流程（Python 命令列版本）。

使用 MobileNetV3-SSDLite-300 (PyTorch) 進行物件偵測，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 MobileNetV2-SSDLite-300 (PyTorch) 進行物件偵測，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 MobileNetV1-SSD512 (PyTorch) 進行物件偵測，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 MobileNetV1-SSD300 (PyTorch) 進行物件偵測，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 PyTorch 的 SE-ResNet18 (SENet) 進行影像分類，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 PyTorch 的 PreAct-ResNet18 進行影像分類，可應用於瑕疵檢測等 (Python 命令列版本)。

使用 PyTorch 的 MobileNet-v2 進行影像分類，可應用於瑕疵檢測等 (Python 命令列版本)。

不需錨點，可進行影像分類、物件偵測、及物件分割，應用在瑕疵檢測、醫療影像分析、農業、自駕車等領域。YOLOv8 號稱最快最準，但是針對不同資料集，有時候因為新版演算法過度優化，測試起來反而是舊的演算法比較準。實務上建議 YOLOv4, YOLOR, YOLOv7 都測試看看。

2023年1月推出的 YOLOv8 演算法，有提供「物件分割」功能。

YOLOv8 是2023年1月推出的物件分類演算法，跟 YOLOv7 相比，速度及精度有微幅提升。除了可以做物件偵測、影像分類外，也可以做影像分割。

2023年1月推出的 YOLOv8 演算法，有提供「影像分類」功能。

YOLOv8 是2023年1月推出的物件分類演算法，跟 YOLOv7 相比，速度及精度有微幅提升。除了可以做物件偵測，也可以做影像分類。

YOLOv8 是2023年1月推出的物件偵測演算法，跟 YOLOv7 相比，速度及精度有微幅提升。

YOLOv8 是2023年1月推出的物件偵測演算法，跟 YOLOv7 相比，速度及精度有微幅提升。

很好用的影像擴增工具，可將各種圖檔批次擴增平移、旋轉、縮放圖檔，方便進行 AI 影像訓練。亦可另存成其他影像檔案格式。

很好用的影像轉檔工具，可將各種圖檔批次轉換成 png 檔案格式及正規化成 512px x 512px 大小，方便進行 AI 影像訓練。亦可指定轉換成其他影像檔案格式及大小。

CSPNet 演算法優化深度學習網路結構，除了準確度是世界第一之外，還能在邊緣運算嵌入式系統上維持超高的推論速度，實在是非常厲害，台灣之光。

台灣之光的上一代作品，去年最厲害的物件偵測演算法，在某些影像資料集的精確度超越 YOLOv7。

台灣之光最新作品 YOLOv7 segmentation ，除了是目前最厲害的物件偵測演算法，亦可做物件分割，找出邊緣，可取代 Mask R-CNN 。

目前最快最準的開源人臉辨識演算法，可應用於人工智慧教學教材、犯罪偵防、門禁考勤、智慧長照、公共安全、研究開發等。