计算机视觉

ha-llmvision 开源 免费 仅开源

让 Home Assistant 看懂摄像头，自动触发智能场景

ha-llmvision 是一个将视觉语言模型（VLM）集成到 Home Assistant 的开源项目，旨在为家庭自动化系···

sports 开源 免费 仅开源

用AI看懂体育比赛，一键提取球员位置和动作数据

sports 是一个专注于计算机视觉在体育领域应用的开源项目，主要解决体育视频和图像中的目标检测、关···

PPOCRLabel 开源 免费 仅开源

内置OCR预识别，拉框改字就能产出训练数据

PPOCRLabel 是飞桨 OCR 生态中的半自动图形标注工具，专为 OCR 数据集制作而设计。它内置 PP-OCR 模···

albucore 开源 免费 仅开源

让图像增强算子跑得更快，训练数据管道不再卡顿

albucore 是 Albumentations 团队拆分出的底层图像处理库，用 OpenCV、NumPy、SimSIMD 等实现高性能···

gcd 开源 免费 可打开

单目视频一键生成动态新视角，让相机自由飞

GCD（Generative Camera Dolly）是ECCV 2024 Oral的官方实现，专注于极端单目动态新视角合成。它解···

spirula-studio 开源 免费 仅开源

视频一键训练成3D高斯和网格，A卡N卡都能跑

spirula-studio 是一个跨厂商的 3D Gaussian Splatting 训练工具，目标是把视频一路处理成 splat 再···

EgoLife 开源 免费 仅开源

戴上眼镜录视频，AI帮你回忆和检索生活瞬间

EgoLife 是一个基于第一人称视频（egocentric video）的智能生活助手开源项目，来自 CVPR 2025。它···

ocr 开源 免费 可打开

在 JS/RN 里直接跑 PaddleOCR 文字检测，无需 Python 后端

这是一个基于 PaddleOCR 模型与 ONNX Runtime 构建的高精度文字检测 OCR 库，支持 JavaScript/Type···

scoresight 开源 免费 仅开源

直播记分牌自动识别，比分实时变数据

ScoreSight 是一款面向体育赛事直播场景的开源记分牌 OCR 软件，用 Python 编写，基于 PyQt6 构建跨···

Mamba-in-Computer-Vision 开源 免费 仅开源

一张图看懂Mamba如何革新计算机视觉，快速跟上前沿

这是一个关于Mamba模型在计算机视觉领域应用的综合性综述项目，系统梳理了Mamba（状态空间模型）在···

Groma 开源 免费 仅开源

让多模态模型精准指认图像中的每个区域，实现细粒度视觉定位。

Groma 是一个基于多模态大语言模型（MLLM）的视觉定位模型，核心创新在于“局部视觉标记化”（Loca···

Awesome_Mamba 开源 免费 仅开源

一网打尽医学影像中的高效状态空间模型研究

Awesome_Mamba 是一个关于状态空间模型（State Space Models, SSMs）在医学图像分析中应用的综合性···

foundational_fsod 开源 免费 仅开源

用视觉语言模型让少样本检测更准，小数据也能快速上手

这是一个少样本目标检测（FSOD）的开源实现，对应论文《Revisiting Few Shot Object Detection wit···

ComfyUI-BiRefNet-ZHO 开源 免费 仅开源

拖拽节点即可实现图像/视频高精度抠图，边缘细节惊艳

ComfyUI-BiRefNet-ZHO 是 BiRefNet 模型在 ComfyUI 中的增强版插件，支持图像和视频的高精度前景抠···

vlmrun-cookbook 开源 按量 仅API

照着 Notebook 跑通视觉大模型 API，快速做出文档识别原型

vlmrun-cookbook 是 VLM Run API 的官方示例与指南集合，以 Jupyter Notebook 形式提供，帮助开发者···

ComfyUI-Depth-Anything-Tensorrt 开源 免费 仅开源

ComfyUI 里跑深度图，TensorRT 加速最高 14 倍，快人一步。

ComfyUI-Depth-Anything-Tensorrt 是一个为 ComfyUI 设计的自定义节点，它集成了 Depth Anything 系···

TextGrabber2 开源 免费 仅开源

菜单栏一点，图片文字秒变可复制文本

TextGrabber2 是一款 macOS 菜单栏小工具，主打“复制即操作”的 OCR 体验。它常驻菜单栏，用户截取···

mvdfusion 开源 免费 仅开源

单张图片，生成多视角一致的3D模型

MVD-Fusion 是一个基于深度一致的多视图生成框架，用于从单张图像重建高质量的 3D 模型。它解决了传···

EcoDepth 开源 免费 仅开源

用扩散模型让单目深度估计更准，零样本也能测深度。

EcoDepth是CVPR 2024收录的单目深度估计项目，旨在解决扩散模型在深度估计中条件利用不足的问题。它···

NegPrompt 开源 免费 仅开源

用负提示让AI识别未知，开箱即用提升OOD检测

NegPrompt 是 CVPR 2024 论文的官方实现，专注于解决深度学习模型在开放世界中的分布外（OOD）检测···

yolo-flutter-app 开源 免费 仅开源

Flutter 一行调用，手机端跑 YOLO 实时识别

yolo-flutter-app 是 Ultralytics 官方推出的 Flutter 插件，让移动端应用可以直接调用 YOLO 系列模···

GEM-3D 开源 免费 仅开源

用扩散模型增强三维医学图像，提升生成质量与完整性

GEM-3D 是一个面向三维医学图像生成的增强工具，发表于 IJCV 2026。它针对医学影像数据稀缺、质量不···

WinCLIP 开源 免费 仅开源

用 CLIP 实现零样本工业异常检测，无需训练样本即可定位缺陷

WinCLIP 是 CVPR 2023 论文《WinCLIP: Zero-/few-shot anomaly classification and segmentation》···

Stable-Diffusion-Seg 开源 免费 仅开源

用 Stable Diffusion 单步反演，让医学图像分割又快又准

Stable-Diffusion-Seg 是 MICCAI 2024 论文的官方代码库，专注于利用 Stable Diffusion 模型进行生···