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 607 个开源项目
dsh-vision-toolkit
开源
可打开
给纯文本模型装眼睛，粘贴图片就能问答和还原 UI
dsh-vision-toolkit 是一个为纯文本大模型补上视觉能力的工具箱，以 DeepSeek Harness 插件形式提供···
ds-vision-skill
开源
免费
仅开源
给纯文本模型装上眼睛，图片问答不求人
ds-vision-skill 是一个为纯文本大模型补上视觉能力的技能套件，主要面向 DeepSeek 等不具备原生多···
mica-ppocr
开源
免费
仅开源
Java 项目引入依赖即可本地识别证件，无需 Python 和 PaddlePaddle
mica-ppocr 是一个纯 Java 实现的 PP-OCRv6 图片文字识别库，基于 ONNX Runtime 推理，完全不依赖 ···
production-ocr-course
开源
免费
仅开源
用 Rust+K8s 把 OCR 从 Demo 做成能扛并发的生产服务
这是一个面向生产环境的 OCR 课程与配套代码库，用 Rust 编写核心服务，结合 vLLM 做视觉语言模型推···
glance
开源
可打开
看一眼 Mac 就自动解锁，告别反复输密码
Glance 是一款面向 macOS 的开源人脸解锁工具，用 Mac 自带摄像头实现接近 iPhone Face ID 的解锁体···
light-ocr
开源
免费
仅开源
本地离线 OCR，图片转文字带坐标，硬件加速快
light-ocr 是一个面向 Node.js 和 C++ 的快速离线 OCR 库，基于 PP-OCRv6 模型，解决在本地环境中进···
lucida
开源
免费
仅开源
专治玻璃、迷彩等难抠图，保留关键细节
lucida 是一个基于 BiRefNet 微调的图像抠图工具，专注于处理传统背景移除方法容易失败的复杂场景，···
MonkeyOCRv2
开源
免费
仅开源
专为文档打造的视觉骨干，让 OCR 与版面理解更准
MonkeyOCRv2 是一个面向文档理解场景的原生视觉编码器（Vision Encoder），定位为文档专用视觉骨干···
neverclick
开源
可打开
用键盘加本地视觉识别，替代鼠标点按操作
neverclick 是一个用本地计算机视觉驱动的键盘鼠标控制工具，目标是让用户尽量不碰鼠标也能操作桌面···
nobg
开源
免费
仅开源
一行代码调用多种抠图模型，快速生成透明背景图
nobg 是一个专注于背景移除的 Python 库，旨在统一和简化多种背景分割与抠图模型的使用。它解决了开···
galaxy-explorer
开源
免费
可打开
浏览器里漫游程序化生成的银河系，无需后端和构建步骤
galaxy-explorer 是一个基于 WebGL 和 three.js 的交互式程序化银河系浏览器端项目，无需后端和构建···
claude-real-video
开源
免费
仅开源
让 Claude 看懂视频：自动提取关键帧和字幕，喂给大模型
claude-real-video 是一个让 Claude 等大语言模型真正“看懂”视频的开源工具。它解决的是 LLM 无法···
docslight
开源
免费+付费
可打开
上传任意文档，自动解析成结构化数据
DocSlight 是 ComPDF（KDAN 生态）开源的文档解析与信息抽取工具，目标是把 PDF、扫描件、图片以及···
franken_ocr
开源
免费
仅开源
不装 Python 不靠 GPU，纯 Rust 在 CPU 上跑 3B OCR 大模型
franken_ocr 是一个用纯 Rust 实现的 CPU 端 OCR 推理引擎，目标模型是百度 Unlimited-OCR——一个···
Unlimited-OCR
开源
免费
仅开源
一张长图一次推理，整页文字结构直接出
Unlimited-OCR 是一个面向长文档、长版面场景的开源 OCR 项目，核心主张是「One-shot Long-horizon···
mac-ocr
开源
免费
仅开源
用苹果自带识别，把图片和扫描 PDF 一键变成可搜索文本
mac-ocr 是一个基于苹果 Vision 框架的 macOS 命令行工具，用 Swift 编写，用于对图片和 PDF 做文字···
YOLO_Projects
开源
免费
仅开源
克隆即跑的19个YOLO视觉实战项目
YOLO_Projects 是一个面向计算机视觉入门与快速落地的开源项目合集，内置 19 个可直接运行的实战项···
openmac
开源
免费
仅开源
本地起个服务，图片识别翻译语音一把梭
OpenMac 是一个用 Swift 编写的本地计算机视觉与多模态能力服务，它在本地启动一个 HTTP 服务器，把···
cosmo-edge
开源
可打开
一套 C++ 代码，跨 Sophon/RKNN/x86 跑通边缘视频 AI
cosmo-edge 是一个面向生产环境的 C++ 边缘 AI 推理引擎，专注视频分析与端侧视觉语言模型（VLM）部···
VLM-AutoYOLO
开源
免费
仅开源
VLM 自动画框，一键训出 YOLO 检测模型
VLM-AutoYOLO 是一个面向目标检测的端到端自动标注与 YOLO 训练平台。它想解决的问题是：做目标检测···
locate-anything
开源
免费
仅开源
一句话框出图中任意物体，本地GPU一键跑
locate-anything 是一个为 NVIDIA LocateAnything-3B 模型打造的轻量级 Web 界面，通过一条 docker···
desk-ocr
开源
免费
仅开源
框选屏幕任意区域，OCR 取字后直接搜索，省去手动录入。
desk-ocr 是一个基于 TypeScript 开发的桌面端 OCR 工具，核心功能是截取屏幕任意区域，调用 OCR 引···
textsnap
开源
免费
仅开源
截图图片一键变纯文本，本地跑不用 GPU
textsnap 是一个轻量级 OCR 工具，目标是把任意图片、截图或网页内容一键转成纯文本。它基于 ONNX ···
ViGeo
开源
免费
仅开源
让视频几何估计更连贯，重建更稳定
ViGeo 是一个面向视频几何一致性估计的开源项目，旨在从视频序列中稳定地估计相机位姿和场景几何结···
