「computer-vision」に関するオープンソースプロジェクト

動画を文字起こし・フレーム解析・ベクトル化して、自然言語でシーンを検索できるローカルファーストのナレッジベース。

DeepSeek-OCRで画像や複数ページPDFを処理し、Markdown、HTML、DOCX、JSONに出力できるReact・FastAPI製Webアプリ。

写真を顔・日付・場所で分類・整理できる、クラウドにアップロードせず端末内で処理するプライバシー重視のデスクトップアプリ。

WorldGrowの研究コード。シードブロックから、ブロック単位で無限に歩き回れる3Dワールドを生成します。

視覚・音声・NLP・LLMをカバーする419種類の事前学習済みAIモデル集。重みを自動ダウンロードし、簡単なCLI操作で実行できます。

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

モジュール式の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コードに変換します。

SAM 3によるセグメンテーションとOCRで、図・フローチャート・数式の静止画像を編集可能なDrawIO（XML）ファイルに変換します。

コードブック検索トランスフォーマーで劣化した顔写真を修復する、PyTorchベースの盲目的顔画像復元モデル。

使っていないAndroidスマートフォンをLANカメラとして活用し、PCダッシュボードでライブMJPEG映像の確認、録画、AIによるイベント分析ができます。

内蔵モデルやカスタム超解像モデルで画像を拡大できる、Windows、macOS、Linux対応のデスクトップアプリ。

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。

キーを押しながらWebカメラに向かって口を動かすと、無音の読唇入力をカーソル位置に貼り付けられます。処理はローカルで実行されます。

動画解析とデバイス上のVLMモデルを、Sophon、Rockchip RKNN、x86向けのデプロイ可能なアプリにするC++エッジAIエンジン。

自然言語の指示に応じてテキスト、画像、またはその両方を生成し、多様なコンピュータビジョンタスクを処理する統合マルチモーダルモデル。

医療画像データの深層学習向けに、前処理からネットワーク、損失関数、評価指標まで備えたPyTorchベースのオープンソースフレームワーク。

衣類の写真にAIでタグを付け、天気や予定に合わせた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。

独立したノードをつないだパイプラインで、映像ストリーム上のCVモデルやマルチモーダルLLMを実行するC++動画解析フレームワーク。

PDFのレイアウト解析や要素分類を行い、MarkdownやHTMLに変換するDockerベースのマイクロサービス。