GroundAnything

一个模型并行解码，快速从图里框出目标、文字和界面元素

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 计算机视觉 🍴 复刻 17 🐛 待处理 3 👀 关注 1
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 105
维护状态 较活跃
是否开源 开源
定价模式 🏷️完全免费 开源模型，定价信息待确认

项目预览

GroundAnything 项目界面预览图
图片来源：项目官网

项目数据

分类计算机视觉
开发团队groundingpi
官网地址https://groundingpi.github.io/groundanything
GitHubhttps://github.com/groundingpi/GroundAnything
定价模式🏷️完全免费
价格说明开源模型，定价信息待确认
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Apache-2.0
主要语言Python
技术栈/模型diffusion-language-model,diffusion-model,gui-grounding,object-detection,ocr,parallel-decoding,pointing,speculative-decoding,vision-language-model,visual-grounding
GitHub 星标★ 105
上线时间2026-09-30 00:00:00
代码更新2026-10-14
仓库体积19.1 MB
本站数据更新2026-10-30
维护状态较活跃
收录时间2026-10-30
浏览次数0

项目介绍

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、精确地提取视觉证据。它把目标检测、GUI 元素定位、OCR 文本定位、指向（pointing）等多种定位任务统一到同一个框架下，通过并行解码一次性输出多个定位结果，而不是像传统自回归模型那样逐 token 串行生成。项目提供可选的自我推测解码（self-speculative decoding），在 COCO 数据集上把自回归吞吐量提升到 4.51 倍，兼顾速度与精度。对需要把检测、OCR、界面元素识别合并成单一模型的开发者来说，它减少了多模型拼接的工程成本，适合做视觉证据抽取、文档理解、GUI 自动化等下游任务的原型验证。代码为 Python 实现，处于早期阶段。

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 2026-10-30 · 当前星标 ★ 105

核心亮点

  • 统一检测、OCR、GUI 定位、pointing 等多类 grounding 任务，减少多模型拼接
  • 并行解码加可选自我推测解码，COCO 上自回归吞吐量提升 4.51 倍
  • 4B 参数规模相对轻量，便于单卡部署和二次开发

不足之处

  • 项目处于早期，105 星标，社区生态和预训练权重、文档完善度待观察
  • 扩散式 grounding 的精度与成熟自回归检测模型相比缺少大规模基准对比
  • 并行解码与推测解码的实际加速依赖硬件和批处理配置，通用性待验证

适用场景

  • 从截图或文档图像中批量抽取目标框与文字位置
  • GUI 自动化中定位按钮、输入框等界面元素
  • 构建统一视觉证据抽取流水线，替代检测+OCR 多模型组合

替代项目

GroundingDINO、Florence-2、PaddleOCR

上一篇：QuickSnip

下一篇：没有了！

同类项目推荐

gen2seg 开源

用生成模型让实例分割无需标注，开箱即用

[ICLR 2026] Code for "gen2seg: Generative Models Enable Generalizable Instance Segme···

★ 78 2026-08-09
VLM-Grounder 开源

零样本 3D 定位，用自然语言直接找到目标物体

[CoRL 2024] VLM-Grounder: A VLM Agent for Zero-Shot 3D Visual Grounding

★ 132 2026-08-09
3DGS-DET 开源

用3D高斯泼溅做室内3D检测，边界更准、小目标更稳

Official codes for paper: 3DGS-DET: Empower 3D Gaussian Splatting with Boundary Gu···

★ 164 2026-09-30
GSFixer 开源

用视频扩散先验修复3D重建，让渲染更真实

[ICML 2026] GSFixer: Improving 3D Gaussian Splatting with Reference-Guided Video Dif···

★ 202 2026-08-09
videoflow 开源

像搭积木一样拼出多进程视频分析流水线

Python framework that facilitates the quick development of complex video analysis ap···

★ 1044 2026-09-25
Awesome-Robotics-3D 开源

一网打尽机器人3D视觉前沿论文与代码

A curated list of 3D Vision papers relating to Robotics domain in the era of large m···

★ 825 2026-08-09
APTM 开源

用自然语言精准找目标人物，多属性提示学习提升检索准确率

The official code of "Towards Unified Text-based Person Retrieval: A Large-scale Mul···

★ 177 2026-08-10
mlkit 开源

照着跑通 Google 官方 ML Kit 示例，快速集成视觉和 NLP 能力

A collection of sample apps to demonstrate how to use Google's ML Kit APIs on Androi···

★ 4305 2026-08-10