Implementación en PyTorch de GeoCLIP, un modelo al estilo CLIP que alinea imágenes con coordenadas GPS para geolocalizar imágenes en todo el mundo.
41352PythonMITActualizado hace 15 días
- Estrellas
- 886
- Forks
- 98
- Issues abiertos
- 5
- Último commit
- hace 7 días
¿Qué es?
CorridorKey 2.0 es un modelo de keying de video para material grabado con fondo verde o azul. Predice un matte alfa y un color de primer plano limpio para cada fotograma, y puede ejecutarse sin guía, con una guía de matte para el primer fotograma o con un video de guía completo para todos los fotogramas.
El repositorio incluye el pipeline de inferencia en Python, una herramienta de línea de comandos (infer.py) y un lanzador guiado de arrastrar y soltar para Windows y Linux. Entre las salidas se incluyen vistas previas del matte y del primer plano, un render de revisión con tablero de ajedrez y un recorte con control de despill. La salida se puede guardar como video codificado con ffmpeg o como secuencias de imágenes OpenEXR con valores HDR sin recortar; las entradas pueden ser archivos de video o directorios de fotogramas, incluidos los EXR lineales.
El código requiere una GPU NVIDIA con PyTorch habilitado para CUDA y ffmpeg en el PATH. El uso de memoria se gestiona mediante tamaños de ventana Hann y un modo de bajo uso de VRAM, pensado para clips largos o tarjetas con menos memoria. El modelo y el código se distribuyen con una licencia de tipo no comercial y términos adicionales, así que revisa la licencia antes de usarlos comercialmente.
Funciones clave
- 01Genera mattes alfa y color de primer plano a partir de video con fondo verde o azul.
- 02Admite no usar guía, usar una guía de matte para el primer fotograma o un video de guía completo, fotograma a fotograma.
- 03Guarda vistas previas en video con ffmpeg o secuencias OpenEXR con valores HDR sin recortar.
- 04Incluye salidas de revisión con tablero de ajedrez y recortes con despill ajustable.
- 05Elige automáticamente el tamaño de la ventana temporal y el modo de bajo uso de VRAM según la memoria de la GPU.
Casos de uso
- Hacer keying de tomas con fondo verde o azul en pipelines de VFX y composición.
- Generar mattes para renders de revisión antes de la composición final.
- Procesar placas EXR lineales para flujos de trabajo de composición HDR.
- Ejecutar el keying por lotes en una carpeta de clips desde la línea de comandos.
Inicio rápido
- 1
Crea un entorno virtual de Python
python -m venv venv - 2
Activa el entorno virtual
source venv/bin/activate - 3
Instala PyTorch con CUDA y el resto de dependencias
pip install torch==2.9.1 torchvision==0.24.1 --index-url https://download.pytorch.org/whl/cu128 && pip install -r requirements.txt - 4
Descarga los pesos del modelo (unos 5 GB) y ejecuta la inferencia en un clip
python scripts/download_weights.py
Antes de usarlo
- Se necesita una GPU NVIDIA con al menos 4 GB de VRAM (se recomienda una RTX serie 30 o posterior).
- Se necesita ffmpeg en el PATH y una instalación de PyTorch compatible con CUDA.
- Los pesos del modelo ocupan unos 5 GB.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es CorridorKey2.0?
- Modelo de IA para hacer keying de fondos verdes y azules que genera mattes alfa y color de primer plano a partir de video; se ejecuta en Python con una GPU NVIDIA. CorridorKey 2.0 es un modelo de keying de video para material grabado con fondo verde o azul. Predice un matte alfa y un color de primer plano limpio para cada fotograma, y puede ejecutarse sin guía, con una guía de matte para el primer fotograma o con un video de guía completo para todos los fotogramas.
- ¿CorridorKey2.0 es gratuito? ¿Qué licencia tiene?
- CorridorKey2.0 es open source bajo la licencia Other. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿CorridorKey2.0 sigue mantenido?
- Mantenimiento activo. El último commit de CorridorKey2.0 fue el 15 oct 2026.
- ¿Para qué puedo usar CorridorKey2.0?
- Hacer keying de tomas con fondo verde o azul en pipelines de VFX y composición. Generar mattes para renders de revisión antes de la composición final. Procesar placas EXR lineales para flujos de trabajo de composición HDR. Ejecutar el keying por lotes en una carpeta de clips desde la línea de comandos.
- ¿Cómo se instala CorridorKey2.0?
- Crea un entorno virtual de Python: python -m venv venv Activa el entorno virtual: source venv/bin/activate Instala PyTorch con CUDA y el resto de dependencias: pip install torch==2.9.1 torchvision==0.24.1 --index-url https://download.pytorch.org/whl/cu128 && pip install -r requirements.txt Descarga los pesos del modelo (unos 5 GB) y ejecuta la inferencia en un clip: python scripts/download_weights.py
- ¿Dónde consigo CorridorKey2.0?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/nikopueringer/CorridorKey2.0
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Un plan de estudios de IA para principiantes de Microsoft, de 12 semanas y 24 lecciones, que abarca IA simbólica, redes neuronales, visión por computadora, NLP y ética, con notebooks en PyTorch y TensorFlow.
Recursos de aprendizaje#artificial-intelligence#machine-learning#deep-learning#neural-networks#computer-vision
70,1 mil13,6 milJupyter NotebookMITActualizado hace 23 horas
Una lista seleccionada de bibliotecas, modelos, implementaciones, tutoriales y artículos relacionados con PyTorch en GitHub.
16,7 mil2,8 milSin licenciaActualizado el mes pasado
Open Source Computer Vision Library: biblioteca de C++ de procesamiento de imágenes y algoritmos de visión artificial, con bindings para varios lenguajes.
91,3 mil57,1 milC++Apache-2.0Actualizado hace 3 horas
Motor de OCR de código abierto (libtesseract) y herramienta de línea de comandos para extraer texto de imágenes, con reconocimiento basado en LSTM y compatibilidad con más de 100 idiomas.
77,1 mil10,8 milC++Apache-2.0Actualizado hace 2 horas
Framework multiplataforma y soluciones de ML listas para usar que ejecutan modelos de visión, audio y texto en el dispositivo, en móviles, web, computadoras de escritorio e IoT.
37,4 mil6,2 milC++Apache-2.0Actualizado hace 1 hora