项目预览
项目数据
项目介绍
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 2026-11-01 · 当前星标 ★ 266
核心亮点
- 用 Python 实现，接入成本低，便于二次开发
- 面向多模态字幕生成，覆盖图片与视频描述场景
- 代码结构相对轻量，适合作为学习多模态字幕的参考实现
不足之处
- 早期项目，文档与示例可能不够完善
- 社区规模小，问题反馈和持续维护待观察
适用场景
- 为短视频批量生成字幕描述
- 给图片数据集自动打内容标签
- 为无障碍场景生成图像文字说明
替代项目
BLIP、LLaVA、MiniGPT-4
上一篇：npq-vit
下一篇：没有了！
同类项目推荐
mvdfusion
开源
单张图片，生成多视角一致的3D模型
[CVPR 2024] MVD-Fusion: Single-view 3D via Depth-consistent Multi-view Generation
Open3D-ML
开源
开箱即用的3D点云模型训练与部署工具
An extension of Open3D to address 3D Machine Learning tasks
NED
开源
一句话驱动视频人脸表情编辑，影视级效果轻松实现
PyTorch implementation for NED (CVPR 2022). It can be used to manipulate the facial ···
n8n-nodes-tesseractjs
开源
在 n8n 工作流里拖个节点，图片直接变文字
A N8N node that exposes the Tesseract OCR engine for converting images to text
Awesome_Mamba
开源
一网打尽医学影像中的高效状态空间模型研究
Computation-Efficient Era: A Comprehensive Survey of State Space Models in Medical I···
Exp-CLIP
开源
用LLM知识让CLIP看懂表情，零样本识别更准
[WACV'25 Oral] Enhancing Zero-Shot Facial Expression Recognition by LLM Knowledge Tr···
obsidian-ocr
开源
让 Obsidian 搜索穿透图片和 PDF，截图文字也能搜到
Obsidian OCR allows you to search for text in your images and pdfs
AliceVision
开源
多张照片一键生成带纹理三维模型
3D Computer Vision Framework
GraspGPT_public
开源
从图像直接预测机器人抓取姿态，快速复现SOTA抓取模型。
code implementation of GraspGPT and FoundationGrasp