汇聚全球AI计算机视觉项目，OCR识别、目标检测、图像分割、人脸识别工具大全。
共收录 602 个开源项目
multimodal-image-retrieval
开源
免费
可打开
从意图识别到对比学习，跑通多模态图像检索全流程
该项目是一个面向多模态图像检索的实战型开源教程与工具集合，围绕意图识别、Prompt 工程、Qwen Lo···
MiniCPM-OCR
开源
免费
仅开源
图片转文字，还告诉你识别得准不准
MiniCPM-OCR 是一个基于 MiniCPM-V 多模态模型构建的轻量级 OCR 工具，用 TypeScript 实现，主打快···
scrubshot
开源
免费
可打开
粘贴截图自动涂掉手机号身份证，全程本地不上传
scrubshot 是一个在浏览器本地运行的截图敏感信息打码工具，用 TypeScript 编写，结合 OCR 与 WASM···
indra
开源
免费+付费
可打开
百万参数OCR，纯CPU跑出15倍速
indra 是一个仅约 100 万参数的超轻量 OCR 模型，主打在纯 CPU 环境运行，无需 GPU 即可完成文字识···
OXR
开源
不稳定
开源文档解析模型，准又快，扫描件直接变结构化文本
OXR 是一个开源的文档解析模型，面向扫描件、PDF 转图、表格与复杂版式文档的识别场景。它把 OCR 与···
EvoVLM
开源
免费
仅开源
让 LLM 进化搜索自动生成更准更快的 VLM 推理程序
EvoVLM 是一个面向视觉语言模型（VLM）推理优化的开源框架，核心思路是用大语言模型引导的进化搜索···
GroundingPI
开源
免费
仅开源
一个4B模型统一六类视觉定位，还能提升机器人泛化
GroundingPI 是一个面向物理智能（具身智能）的 4B 参数 grounding 基础模型，核心目标是把视觉语言···
GroundAnything
开源
免费
仅开源
一个模型并行解码，快速从图里框出目标、文字和界面元素
GroundAnything 是一个 4B 参数的扩散式视觉定位（grounding）模型，目标是从图像中快速、精确地提···
CV_Deployment_skill
开源
免费
仅开源
视觉模型部署工程模板，照着配就能跑起来
CV_Deployment_skill 是一个面向计算机视觉模型工程化落地的开源资源与工作流配置集合，重点不在训···
VisionState
开源
免费
仅开源
用现有摄像头+本地AI，把车库门、人车、水电燃气表变成HA传感器
VisionState 是一个把普通摄像头或 ESP32-CAM 变成 Home Assistant 智能传感器的本地 AI 项目。它解···
Xiaomi-OCR-0
开源
免费
待核验
Python 实现的 OCR 工具，图片文字快速检测识别
Xiaomi-OCR-0 是一个基于 Python 的计算机视觉 OCR 开源项目，聚焦文字检测与识别任务。它面向需要···
VisionHOPE
开源
免费
仅开源
让视觉骨干网络边用边自我修改
VisionHOPE 是论文《Visual Backbones as Self-Modifying Learning Systems》的官方 PyTorch 实现，···
gyotaku
开源
可打开
截图里的字也能搜，输入关键词秒找旧图
gyotaku 是一款面向 Linux 的原生截图全文搜索工具，解决的是「截图越攒越多、想找时只能靠记忆翻文···
GAE-GeometricAutoEncoder
开源
免费
仅开源
把三维几何写进隐空间，让生成的世界前后一致
GAE（Geometric AutoEncoder）是一个面向三维一致世界生成的开源研究项目，核心是学习一种“几何原···
evan-ocr
开源
免费
仅开源
截图贴图加文字识别，一个快捷键搞定
evan-ocr 是一款用 C++ 编写的开源截图、贴图与 OCR 工具，定位为日常桌面截图与文字提取的一体化助···
WeVisDoc
开源
免费
仅开源
整页文档图一键转结构化 Markdown，公式表格都不丢
WeVisDoc 是一个面向文档解析的端到端开源模型，基于 Qwen3-VL-2B-Instruct 与 Qwen3-VL-4B-Instru···
vision-demos
开源
免费
仅开源
克隆即跑的趣味 CV 演示，几分钟看到识别效果
vision-demos 是一个用 Python 编写的计算机视觉演示项目，目标是把常见 CV 能力做成能直接跑起来、···
SimdPaddleOCR
开源
免费
仅开源
纯C#跑PP-OCRv6，SIMD加速，多平台离线文字识别
SimdPaddleOCR 是一个用纯 C# 实现的 PP-OCRv6 推理库，目标是在 .NET 生态里直接跑通 PaddleOCR 的···
marigold-v2
开源
免费
仅开源
单张图生成稠密深度图，细节边缘更稳
marigold-v2 是单目深度估计的开源研究项目，基于扩散 Transformer 架构从单张 RGB 图像预测稠密深···
lw.PPOCR.C
开源
免费
仅开源
纯 C 无依赖跑 PP-OCR，端侧和浏览器都能直接 OCR
lw.PPOCR.C 是一个用纯 C 语言实现的轻量级 PP-OCR 推理运行时，目标是在不引入任何运行时依赖的前···
ocr-it
开源
免费
不稳定
框选一次屏幕区域，快捷键反复离线取字
ocr-it 是一款 Chrome 浏览器扩展，专为需要反复识别同一屏幕区域文字的用户设计。它解决的核心问题···
Looking-Back-OCR
开源
不稳定
用 AI 把越南语古籍旧书扫描件转成可编辑文字
Looking-Back-OCR 是一个面向越南语古籍与文档的 OCR 工具，基于 TypeScript 开发，通过封装 Gemin···
TeleOCR
开源
免费
仅开源
Telegram 图片自动转文字，聊天记录秒变可搜索文本
TeleOCR 是一个基于 Python 的开源 OCR 工具，主要面向从 Telegram 聊天记录、频道或群组中批量提取···
dsh-vision-router
开源
免费
仅开源
一条命令给文本 agent 装上眼睛，免费看图问答
dsh-vision-router 是给纯文本 DeepSeek Harness（dsh）智能体装上＂眼睛＂的插件。dsh 这类 agent···
