コンピュータービジョンのライブラリとツール：2026年のおすすめ

OpenCVは、複数の言語向けバインディングを備えた、画像処理とコンピュータビジョンのアルゴリズムを提供するオープンソースのC++ライブラリです。

画像からテキストを抽出するオープンソースのOCRエンジン（libtesseract）とコマンドラインツール。LSTMベースの認識に対応し、100以上の言語を扱えます。

Microsoftによる12週間・全24レッスンの初学者向けAIカリキュラム。記号AI、ニューラルネットワーク、コンピュータービジョン、NLP、倫理を扱い、PyTorchとTensorFlowのノートブックを提供します。

Ultralytics YOLOは、物体検出、セグメンテーション、分類、姿勢推定、トラッキングなどに対応したコンピュータビジョン向けPythonライブラリです。

Ultralytics YOLOv5は、物体検出、インスタンスセグメンテーション、画像分類の学習とエクスポートに対応した、PyTorchベースのコンピュータービジョンツールキットです。

データセットの読み込み、検出の実行、物体追跡、フレームへの注釈付けに使える、再利用可能なコンピュータビジョン用Pythonツールキット。

Linux、macOS、Windowsで動作する、AIアップスケーリングモデルで低解像度画像を拡大・高画質化する無料のオープンソースデスクトップアプリ。

コンピュータビジョン向けに、画像モデルのアーキテクチャ、事前学習済み重み、学習・検証・エクスポート用スクリプトを提供するPyTorchライブラリ。

CLI、Pythonライブラリ、HTTPサーバー、Dockerで使える画像背景除去ツール。

LLMとコンピュータビジョンを使ってあらゆるサイトのWebワークフローを実行するオープンソースのブラウザ自動化ツール。PlaywrightにAIコマンドを追加します。

コードブック検索トランスフォーマーで、ぼやけた低画質・破損した写真や動画の顔を復元するPythonツール。

デジタルネガの管理、編集、書き出しに使える、オープンソースの写真ワークフローアプリケーション兼非破壊RAW現像ソフト。

コンピュータビジョンモデルの予測に影響した画像領域を可視化する、クラス活性化マップ（CAM）手法を実装したPyTorchライブラリです。

ロボティクスやセンサーのマルチモーダル時系列データを記録・可視化・クエリ・ストリーミングする、オープンソースのRustツールキット。

Intel CPU、GPU、NPUで推論するディープラーニングモデルを最適化・デプロイするオープンソースツールキット。

テキスト、画像、動画、点群、マルチモーダルデータをAIで支援しながらアノテーションできる、モデル内蔵のクロスプラットフォーム対応デスクトップアプリ。複数形式へのエクスポートにも対応。

複数カメラの映像を記録し、人の動きを3D再構成する無料のオープンソース・マーカーレスモーションキャプチャシステム。

Appleの研究コード。1枚の写真から1秒未満で3D Gaussianシーンを生成し、近傍の新しい視点からレンダリングできます。

OpenCV、FFmpegなどのコンピュータビジョン・マルチメディアライブラリ向けJavaラッパーとヘルパークラス。

Windows、macOS、Linuxで使える、超解像モデルによる画像拡大に対応したクロスプラットフォームのデスクトップアプリ。

JPGやPNGなどのラスター画像をコンパクトなSVGベクター画像に変換するオープンソースのRustツール。CLI、デスクトップアプリ、ライブラリとして利用できます。

PyTorchベースの深層学習モデルでPDFや画像のテキストを検出・認識する、オープンソースのPython OCRライブラリ。

SAM 3のセグメンテーション、OCR、LaTeX数式認識で、図の画像を編集可能なDrawIO（XML）ファイルに変換します。

Windows、Linux、macOS、Android向けに、画像認識を活用した自動化やブラックボックステストツールを構築するLGPL-3.0のC++フレームワーク。

高解像度の二値画像セグメンテーション向け深層学習モデルBiRefNetの公式PyTorch実装。背景除去によく使われます。

AI生成の粗いピクセルアートを、固定パレットで整った一貫性のあるピクセルグリッドに合わせるRust製CLI・WASMツール。

逆アルファブレンディングで画像からGeminiの可視ウォーターマークを除去する、GUI・CLI・バッチ対応のオフラインC++ツール。

複数のモデルバックエンドに対応したモジュール型マルチエージェントパイプラインで、UIのスクリーンショットやデザインモックアップを編集可能なHTML/CSSに変換します。

ストリーム入力、モデル推論、追跡、出力をプラグイン可能なノードでつなぐC++動画解析フレームワーク。

カメラやAirPodsのモーションセンサーで姿勢を監視し、猫背になると画面を段階的にぼかすmacOSアプリ。

OpenGL/ESで動作する、ビューティー機能と顔認識ベースのエフェクトを備えたクロスプラットフォームC++画像・動画フィルターライブラリ。

ビジョン、音声、NLP、LLMを網羅する419種類の学習済みAIモデルを、共通のPython CLIからailia SDKで実行できます。

Wanベースのモデルを用いた、リアルタイムのアップスケーリングを目指す、ワンステップ拡散モデルベースのストリーミング動画超解像フレームワークです。

Reactフロントエンド、FastAPIバックエンド、Docker構成で画像やPDFのDeepSeek-OCRを実行するWebアプリ。

Sophon、Rockchip RKNN、x86向けに、映像解析とオンデバイスVLMをアプリとして展開できるC++エッジAIエンジン。

動画を文字起こし・フレーム解析・埋め込みでインデックス化し、自然言語でシーンを検索できるセルフホスト型のローカルファーストな動画ナレッジベース。

PDFページを解析し、OCRやMarkdown/HTML変換を行うDockerベースのマイクロサービスとGradio UI。

NEOは、ピクセルと単語を単一のエンコーダーフリーな高密度アーキテクチャで処理する視覚言語モデル群で、学習・評価コードも公開しています。

余ったAndroidスマートフォンをLANカメラにし、PCのFlaskダッシュボードでライブ映像や録画、任意のAI解析を利用できます。

服を撮影するとAIがタグ付けし、天気やシーンに合わせて毎日のコーデを提案するセルフホスト型ワードローブ管理アプリ。

Web、Windows、macOS、Linuxで使える、比較・リサイズ・変換・リネーム対応のプライバシー重視なローカル画像圧縮ワークベンチ。

検出、OCR、セグメンテーション、深度推定、マルチビュー幾何などのCVタスクを、テキストと画像の生成で扱う統合型マルチモーダルモデル。

キーを押しながらWebカメラに向かって声を出さずに口を動かすと、認識したテキストをカーソル位置に入力します。すべてローカルで動作します。

オンデバイスAIで、フォルダ内の写真や動画の場面を自然な言葉で検索できるmacOSアプリ。

CVPR 2025のLiveCC論文に基づく、ライブ動画にリアルタイムで解説を付ける動画LLM。

WebGPUまたはWebAssemblyでブラウザー内だけで動作し、画像をアップロードせずに背景を削除できるオープンソースツール。

70種類以上の画像形式変換、一括圧縮、ファイルごとの切り抜き、ローカルAI背景除去に対応したセルフホスト型Dockerツール。

Vecto .NETトレースエンジンを使い、アップロードしたビットマップ画像を編集可能なSVGに変換するStreamlitアプリ。

ローカル動画の見どころを、シーン・動き・音声・物体・文字起こしの情報から評価して説明する、無料のオフライン対応デスクトップアプリ。

ホワイトボード風の画像を、ナレーションに合わせたCPUレンダリングの手描き風MP4に変換するCLIツール兼Pythonライブラリ。

WindowsとmacOSで完全オフライン動作する、顔・日付・場所で写真を整理するプライバシー重視のデスクトップアプリ。

Dockerでデプロイできる、ワンクリックのAI背景除去、バッチ処理、ライブエディターを備えたImageMagickのセルフホスト型Web GUI。

写真を、紙にペンや鉛筆、インク、絵の具で描いたような一筆描きに変換し、制作過程もブラウザー上で動画にします。

番号付き手順バッジを使える無料のmacOS用ペイント・スクリーンショット注釈アプリと、UIを持たない描画・画像処理用SwiftパッケージPaintKit。