computer-vision 第 4 页
本站收录 377 个带「computer-vision」标签的 AI 开源项目（按 GitHub 星标从高到低，第 4 / 8 页）
anycost-ganAnycost GANs 是 CVPR 2021 收录的交互式图像合成与编辑框架，由 MIT 等机构提出。它解决的是 GAN 模型在推理时计算开销大、难以在普通★ 779
APTAPT 是一个开源的 AI 生产力工具，旨在通过本地化部署和隐私保护提升用户效率。它内置了 ChatGPT、DeepSeek、Phi、Qwen 等模型的本地专属★ 772
kornia-rskornia-rs 是用 Rust 编写的底层 3D 计算机视觉库，定位为 Kornia 生态的 Rust 实现。它解决的核心问题是：Python 视觉库在性能★ 740
onepanelOnePanel 是一个开源的端到端计算机视觉平台，旨在统一标签标注、模型构建、训练、调优、部署和自动化流程。它解决了计算机视觉项目从数据标注到模型上线的全生命★ 733
Interactive-LLM-Powered-NPCsInteractive-LLM-Powered-NPCs 是一个开源项目，旨在将大语言模型（LLM）驱动的智能体集成到游戏的非玩家角色（NPC）中，彻底改变玩家★ 732
Awesome-Video-World-Models-with-AR-Diffusion这是一个精心整理的视频世界模型资源清单，聚焦于自回归扩散（AR Diffusion）技术路线。项目系统梳理了该领域的算法、应用与基础设施，旨在为研究人员、工程师★ 714
MovieChatMovieChat 是一个面向长视频理解的开源模型，由 CVPR 2024 论文提出。它解决了现有视频理解模型难以处理超长视频（如电影）的问题，核心创新在于将视★ 706
advanced-machine-learning-engineer-roadmap-2024这是一个面向2024年的全栈机器学习工程师学习路线图，旨在帮助学习者系统掌握从数据处理、模型开发到部署运维的完整技能链。项目以结构化的路线图形式，梳理了成为全栈★ 702
photoguardPhotoGuard是一个旨在防御恶意AI图像编辑的开源项目，由MIT的研究人员开发。它通过给图像添加难以察觉的扰动，破坏扩散模型（如Stable Diffus★ 701
datumarodatumaro 是一个面向计算机视觉的数据集管理框架，提供 Python 库和命令行工具，用于构建、分析和维护 CV 数据集。它解决的核心问题是深度学习项目中★ 694
AttentionGANAttentionGAN是一个基于生成对抗网络（GAN）的无配对图像到图像翻译模型，同时支持多域图像转换。它通过引入注意力机制，在训练过程中自动学习区分前景和背★ 687
Ego4dEgo4d 是一个大规模第一人称视角视频数据集及其配套工具仓库，由 Meta AI 联合多所高校发布。它解决了 AI 模型在理解日常活动、社交交互和手物交互时缺★ 656
yolov7-object-tracking这是一个把 YOLOv7 目标检测与 SORT 跟踪算法结合起来的开源示例项目，使用 PyTorch 做模型推理、OpenCV 处理视频流与画面绘制。它解决的是★ 653
Exclusively-Dark-Image-DatasetExclusively Dark Image Dataset（ExDARK）是一个面向低光照视觉研究的图像数据集，由12,000张从极暗环境到黄昏（覆盖10种光★ 653
light-ocrlight-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行文字识别时依赖云端 API★ 641
roboflow-pythonroboflow-python 是 Roboflow 官方推出的 Python SDK，用于在代码中统一管理计算机视觉数据集、模型与部署流程。它解决的是视觉项目★ 634
blended-latent-diffusionBlended Latent Diffusion 是 SIGGRAPH 2023 论文的官方实现，用于文本驱动的图像局部编辑。它解决的是传统扩散模型在编辑图像时★ 631
MIGCMIGC是一个由CVPR 2024 Highlight和TPAMI 2024论文支持的图像生成项目，专注于多实例生成与编辑。它解决了现有文本到图像模型在生成多个★ 608
FabricFabric 是一个受 Quartz Composer 启发的节点式创意编程工具，使用 Swift 编写，面向 macOS 平台。它把 3D 渲染、图像处理、计★ 604
MMMUMMMU 是一个大规模多学科多模态理解与推理基准测试集，旨在评估和推动 AI 模型在专家级通用人工智能（AGI）方向上的能力。它包含来自艺术、工程、科学等六大领★ 598
proper-pixel-artproper-pixel-art 是一个专注于修复 AI 生成像素画图像、视频及精灵图上传问题的 Python 工具。它解决了 AI 绘画工具（如 Stable★ 583
One-DMOne-DM 是一个基于扩散模型的手写文本生成工具，对应 ECCV 2024 论文《One-Shot Diffusion Mimicker for Handwr★ 574
AlbumentationsXAlbumentationsX 是经典图像增强库 Albumentations 的延续版本，面向计算机视觉训练场景，提供高性能、多样化的数据增强能力。它解决的核★ 571
VSLAM-LABVSLAM-LAB 是一个面向视觉 SLAM（VSLAM）研究的综合性开源框架，目标是统一管理各类 VSLAM 系统与数据集，解决研究者在复现、对比不同算法时反★ 562
python-sdkpython-sdk 是一个让 AI 直接操控桌面、移动端和 HMI 人机交互界面的开源工具包。它解决的是 AI 代理（Agent）无法像人一样操作 GUI 应★ 556
XCubeXCube 是一个用于大规模 3D 生成的深度学习框架，核心创新在于利用稀疏体素层次结构（Sparse Voxel Hierarchies）来高效表示和生成高分★ 549
StyleSwinStyleSwin 是一个基于 Transformer 的高分辨率图像生成模型，发表于 CVPR 2022。它针对传统 GAN 在生成高分辨率图像时依赖卷积结构★ 543
watch-skillwatch-skill 是一个面向 AI 智能体的视频理解与自我验证工具，旨在将视频、直播流和智能体屏幕录制转化为可搜索、带时间戳的证据，并借助内置的 THE ★ 508
yolo-flutter-appyolo-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 系列模型完成实时视觉推理。它★ 506
PITIPITI是一个基于预训练的图像到图像翻译框架，核心思想是“预训练即一切”，旨在解决传统图像翻译模型需要大量配对数据、训练成本高且泛化能力弱的问题。它利用大规模预★ 504
neverclickneverclick 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。它通过屏幕截图和视觉识别定位界面上的可点击元素（如按钮★ 478
OmniShowOmniShow 是字节跳动推出的统一视频生成模型，专注于人-物交互（HOI）视频生成，论文发表于 ICML 2026。它基于扩散模型（DiT/MMDiT）架构★ 474
DFireDatasetDFireDataset 是一个面向火灾与烟雾检测的开源图像数据集，主要解决计算机视觉领域缺乏高质量火焰烟雾标注数据的问题。项目提供已标注的图像样本，覆盖不同光★ 470
SelectionGANSelectionGAN是一个用于跨视角图像翻译的生成对抗网络模型，发表于CVPR 2019（Oral）。它解决的是给定一个视角的场景图像，生成另一个视角（如航★ 467
encord-activeencord-active 是一个用于模型测试、验证与评估的开源工具包，旨在帮助机器学习团队高效管理数据标注流程。它解决的核心问题是：在模型开发中，如何从海量未★ 460
ultralytics-YOLO-DeepSort-ByteTrack-PyQt-GUI这是一个基于 PyQt 的桌面图形界面应用，把 Ultralytics 的 YOLO 系列模型（YOLOv8、YOLO11、YOLOv13）与 DeepSort★ 460
mixture-of-diffusersMixture of Diffusers 是一个基于扩散模型的图像生成工具，专注于场景合成与高分辨率图像生成。它解决了单一扩散模型在生成复杂场景或高分辨率图像时★ 451
multimodal-garment-designerMultimodal Garment Designer 是一个基于潜在扩散模型的时尚图像编辑工具，源自 ICCV 2023 论文。它解决的是服装设计场景中，通过★ 445
awesome-ocr-resourcesawesome-ocr-resources 是一个面向 OCR（光学字符识别）领域的资源聚合项目，系统整理了该方向的重要论文、公开数据集与工具链接。它解决的是 ★ 440
photonvisionPhotonVision 是面向 FIRST 机器人竞赛（FRC）的开源计算机视觉方案，用 Java 编写，基于 OpenCV 和 WPILib 生态。它解决的★ 437
Anime-Face-DatasetAnime-Face-Dataset 是一个专注于动漫人脸图像的高质量数据集项目，旨在为生成对抗网络（GAN）等图像生成模型提供干净、统一格式的训练数据。项目解★ 434
samexportersamexporter 是一个专注于将 Segment Anything 系列模型导出为 ONNX 格式的工具，支持 SAM、MobileSAM、Efficie★ 430
yolo-streamlit-detection-tracking这是一个基于 YOLO 与 Streamlit 的实时目标检测与跟踪演示项目，面向需要快速验证视频流分析能力的开发者。它把目标检测（YOLO 系列模型）和目标跟★ 430
100-AI-Machine-learning-Deep-learning-Computer-vision-NLP这是一个面向学习者的 AI 项目合集仓库，收录了 100 多个覆盖机器学习、深度学习、计算机视觉和自然语言处理的小型实战项目，每个项目都附带可运行代码。它解决的★ 425
vision-aided-ganvision-aided-gan 是一个 CVPR 2022 Oral 论文的开源实现，核心思想是利用现成的预训练模型（如 CLIP、DINO 等）来辅助 GA★ 422
ResourceBank_CV_NLP_MLOPS_2022这是一个面向计算机视觉、自然语言处理和机器学习运维方向学习者的资源聚合仓库，收录了大量课程笔记、实战教程、论文解读和项目代码，以Jupyter Notebook★ 422
bbox-visualizerbbox-visualizer 是一个轻量级的 Python 工具库，专门用于在图像上绘制和标注边界框（bounding box）。它解决了计算机视觉开发者在调★ 411
unetganUNetGAN 是 CVPR 2020 论文《A U-Net Based Discriminator for Generative Adversarial Ne★ 402
FILTER.jsFILTER.js 是一个用纯 JavaScript 实现的图像、视频处理与计算机视觉库，目标是在浏览器和 Node.js 环境中提供类似 OpenCV 的能力★ 400
CV_Paper_PortalCV_Paper_Portal 是一个面向计算机视觉与人工智能领域的顶会论文检索门户，主要解决研究者在 CVPR、ICCV、ECCV、NeurIPS 等顶级会议★ 393