gen-cv

用自然语言搞定视觉任务，快速搭建生成式视觉应用

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 图像生成 🍴 复刻 263 🐛 待处理 6 👀 关注 15 ⚠️ 作者已归档（停止维护）
GitHub ↗
GitHub 星标 ★ 434
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，MIT许可证，可免费使用和部署。

项目预览

gen-cv 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类图像生成
开发团队Azure
GitHubhttps://github.com/Azure/gen-cv
定价模式🏷️完全免费
价格说明开源项目，MIT许可证，可免费使用和部署。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议MIT
主要语言Jupyter Notebook
技术栈/模型azure-computer-vision,cognitive-search-vector-store,dalle-3,embeddings,florence,foundation-models,generative-computer-vision,image-search,stable-diffusion
GitHub 星标★ 434
上线时间2023-05-26 00:00:00
代码更新2025-05-18
仓库体积852.1 MB
本站数据更新2026-11-08
维护状态低维护
收录时间2026-08-09
浏览次数4

项目介绍

gen-cv 是微软推出的视觉 AI 解决方案加速器，旨在帮助开发者快速构建基于生成式计算机视觉的应用。它解决了传统计算机视觉任务（如目标检测、图像分割）依赖大量标注数据、难以灵活适配新场景的问题，通过整合 Azure 认知服务（如 Florence、DALL-E 3、Embeddings）与向量搜索，提供从图像理解到图像生成的端到端能力。项目核心包括：利用基础模型进行零样本/少样本视觉推理，通过自然语言交互完成检测、分类、描述等任务；结合认知搜索向量存储实现图像语义检索与多模态问答；支持生成式视觉任务，如根据文本生成或编辑图像。代码以 Jupyter Notebook 形式呈现，易于上手和二次开发，适合作为企业级视觉 AI 应用的起点。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 434

使用教程

难度：进阶 约 40 分钟 部署方式：本地GPU 4 步

环境要求

  • Python 3.10
  • （部分示例）NVIDIA GPU

安装与启动步骤

  1. 1拉仓库

    微软官方的合成数据示例集。

    git clone https://github.com/Azure/gen-cv.git

  2. 2建环境

    官方指定 Python 3.10。

    conda create -n gen-cv python=3.10

  3. 3装依赖

    按 requirements 装，含渲染相关库。

    pip install -r requirements.txt

  4. 4挑一个场景跑

    先跑目标检测的合成数据生成。

如何确认成功

生成的合成数据集能直接喂给检测训练脚本，训练出的模型在真实图片上有可用精度

注意事项

  • 它演示怎么用合成数据替代人工标注，重点在流程而不是模型。
  • 合成与真实的分布差异是核心难点，域随机化要做足。
  • 部分示例依赖云服务，纯本地跑要改配置。
  • 渲染耗时与场景复杂度成正比，先小规模验证。

核心亮点

  • 集成 Florence 与 DALL-E 3，零样本完成检测/分割/生成，无需训练数据
  • 结合向量搜索实现图像语义检索，支持多模态问答场景
  • 微软官方出品，代码示例完整，可直接在 Azure 环境部署

不足之处

  • 依赖 Azure 云服务，本地化部署成本高
  • 文档/社区待观察

适用场景

  • 工业质检：用自然语言描述缺陷，自动定位并分类
  • 智能相册：基于语义搜索快速找到特定内容图片
  • 内容创作：根据文案自动生成配图或编辑现有图像

替代项目

Hugging Face Transformers、OpenAI CLIP、LangChain

上一篇：ladi-vton

下一篇：ComfyUI-BiRefNet-ZHO

同类项目推荐

paz 开源

一套接口跑通检测、分割、姿态与人脸识别

Hierarchical perception library in Python for pose estimation, object detection, ins···

★ 713 2026-09-13
GEM-3D 开源

用扩散模型增强三维医学图像，提升生成质量与完整性

[IJCV'2026] Generative Enhancement for 3D Medical Images

★ 84 2026-08-09
bootcamp 开源

一套代码搞定图像、音频、分子等非结构化搜索

Dealing with all unstructured data, such as reverse image search, audio search, mole···

★ 2451 2026-08-09
yomihon 开源

看日漫直接 OCR 查词，边读边学不切应用

Free and open source manga reader for Android - now with OCR (text recognition)

★ 145 2026-09-19
TeleOCR 开源

Telegram 图片自动转文字，聊天记录秒变可搜索文本

★ 367 2026-09-19
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···

★ 4851 2026-08-19
EmerNeRF 开源

自监督分解动态场景，轻松重建三维世界

PyTorch Implementation of EmerNeRF: Emergent Spatial-Temporal Scene Decomposition vi···

★ 641 2026-08-09
awesome-ocr-resources 开源

OCR 论文与数据集一站清单，省去到处搜资料

A collection of resources (including the papers and datasets) of OCR (Optical Charac···

★ 442 2026-09-19