2025年5月14日

YOLO 智慧工地百寶箱

完整開源索引 — 依安全 ▶ 品質 ▶ 進度 ▶ 環境 ▶ BIM/文件分類

Popularity≈GitHub Stars：High > 500 ★ │ Med 100-500 ★ │ Low < 100 ★

核心工具箱

GitHub 星數最高的 10 大 YOLO 開源「核心系統」
（核心框架 / 通用偵測器，已依星數排序並沿用前表欄位）

#	類別	專案 (GitHub repo – ★)	YOLO 版本	Popular-ity	精度†	Edge 就緒	推論功耗‡	中 / English 摘要
1	核心框架	Ultralytics YOLOv5 53.8k	v5 (n ~ x)	Very High	—	Yes	5–120 W	官方 PyTorch v5，支援 ONNX/TensorRT/TFLite 部署 / Flagship PyTorch YOLOv5 with full export
2	核心框架	Ultralytics (YOLOv8/YOLO11) 40.7k	v8 ~ v11	High	—	Yes	5–120 W	最新 YOLOv8/10/11 多任務框架 (det / seg / pose) / Unified multitask framework for modern YOLO
3	核心框架	Darknet – AlexeyAB 22k	v2 ~ v4	High	COCO AP 43.5 (YOLOv4)	Partial	20–200 W	C/CUDA 原生實作，YOLOv4/Scaled-v4 標杆 / Native C Darknet with YOLOv4
4	核心框架	YOLOv7 13.8k	v7	High	AP 56.8 @640 (-E6E)【L16】	部分 (TRT/NCNN)	10–180 W	速度-精度 SOTA，官方 weights / SOTA real-time detector
5	核心框架	Ultralytics YOLOv3 10.4k	v3	Med	—	Yes	5–120 W	維護版 YOLOv3 (PyTorch) / Maintained PyTorch YOLOv3
6	核心框架	YOLOX 9.8k	YOLOX-n ~ x	Med	mAP 51.5 (-x)【L20-L22】	Yes	5–120 W	Anchor-free YOLOX，多型號+Nano / Anchor-free, Nano-XL sizes
7	核心框架	Keras-YOLO3 7.1k	v3	Med	—	Partial	5–120 W	TensorFlow/Keras YOLOv3 教學實作 / Easy-to-train Keras port
8	核心框架	YOLOv6 5.8k	v6-n ~ l	Med	mAP 45-52 (v3 base)	Yes (Lite)	5–120 W	產業導向，Lite 版可手機 / Industrial-grade with Lite mobile models
9	核心框架	MMYOLO 3.2k	v5-v8, YOLOX, PP-YOLOE …	Low	—	Partial	10–200 W	OpenMMLab YOLO 全家桶，統一訓練/部署 / OpenMMLab unified YOLO toolbox
10	核心框架	YOLOv4-PyTorch 1.7k	v4	Low	mAP 48 (作者報告)	Partial	20–150 W	PyTorch YOLOv4＋注意力模組 / YOLOv4 with attention modules

如何利用這 10 大核心系統

快速原型：選 Ultralytics YOLOv8 (行動端 n/s) 或 YOLOv5s，5 行指令即可訓練與部署。
極致效能：桌機/伺服器可試 YOLOv7-E6E 或 YOLOX-x，FP16 TensorRT 可在 RTX 30 系列達 250 FPS+。
C/CUDA 原生：硬體資源受限或需無框架部署，可用 AlexeyAB Darknet。
高度客製：研究與大規模實驗可考慮 MMYOLO —— 同一指令切換 YOLOv5↔YOLOv8↔YOLOX。

智慧工地應用


1	安全	Smart Construction 2.4k	v5 (s/m/l)	High	mAP 0.88-0.91	Yes	10-120 W	安全帽＋禁入區域偵測、附 GUI
2	安全	Construction-Site-Safety-PPE-Detection 109	v8n	Med	mAP 0.69 (10 PPE)	Yes	5-80 W	全套 PPE 偵測
3	安全	Construction-Hazard-Detection 65	v5/v8	Low	—	Yes	10-120 W	未戴帽/背心、人機距離警報
4	安全	Safety-Helmet-Detection 47	v8	Low	—	Yes	5-30 W	群組安全帽偵測
5	安全	Hard-Hat-Detection 42	v5s	Low	mAP 0.93	Yes	5-15 W	偵測並以框色顯示帽色
6	安全	Helmet_Detection_OpenCV 31	v8n	Low	—	Yes	5-15 W	教學型安全帽 demo
7	安全	Human-Fall-Detection 29	v5/v8	Low	Acc ≈96 %	Jetson Xavier↑	15-80 W	工地/高空跌倒偵測
8	品質	DIS-YOLO 120	v3 + Mask	Med	mAP 0.80	GPU	80-140 W	混凝土裂縫/剝落/露筋分割
9	品質	Welding-Defects-Detection 56	v8 (Large)	Med	mAP 0.84	GPU	90-150 W	焊縫氣孔等 4 類缺陷
10	品質	Steel_defect 62	v5s	Med	mAP 0.75	Partial	50-120 W	熱軋鋼帶六缺陷 QA
11	品質	WhatTheCrack 44	v8 + SAHI	Low	—	Orin / GPU	15-50 W	GUI-based 裂縫量測
12	品質	Automatic-Damage-Detection-in-Construction-Projects —	v7 + v8seg	Low	多類 93-95 %	GPU	80-150 W	水下橋梁/大壩損傷檢測
13	進度	Vehicle-Counting-YOLO 81	v5m + DeepSORT	Med	—	Yes	10-120 W	車輛流量 & FPS 統計
14	進度	Sacks-Tracking-and-Counting 8	v5s + DeepSORT	Low	—	Yes	5-30 W	建材水泥包裝進出計數
15	進度	YOLO8-Tracking-Counting-Speed 72	v8 + OC/ByteTrack	Med	40 FPS	Partial	30-130 W	多目標追蹤＋車速估算
16	機械	DART 350	v8n/v10	High	AP 0.83	Edge 可推論	訓練 100-300 W	SDXL+GPT-4o 合成資料自訓施工機械
17	環境	Site-Dust-Detect 20	v3	Low	—	GPU	80-120 W	圖像式工地揚塵監測
18	BIM / 文件	AECVision 39	v5m6	Low	—	Yes	10-50 W	圖紙元素偵測，自動進度比對

†若原倉庫未公佈 mAP / AP 統計，顯示「—」。

‡功耗為推論階段典型值（Jetson Nano 5-15 W，Orin NX 10-30 W，桌機/雲端 GPU 80-300 W 不等）。

2025年5月14日