Implementação em PyTorch do GeoCLIP, um modelo no estilo CLIP que alinha imagens a coordenadas GPS para geolocalização global de imagens.
41352PythonMITAtualizado há 15 dias
- Estrelas
- 886
- Forks
- 98
- Issues abertas
- 5
- Último commit
- há 7 dias
O que é?
CorridorKey 2.0 é um modelo de keying de vídeo para filmagens com tela verde ou azul. Ele prevê um matte alfa e uma cor limpa do primeiro plano para cada frame e pode funcionar sem dicas, com uma dica de matte no primeiro frame ou com um vídeo de dicas completo para todos os frames.
O repositório oferece um pipeline de inferência em Python, com uma ferramenta de linha de comando (infer.py) e um iniciador guiado de arrastar e soltar para Windows e Linux. As saídas incluem prévias do matte e do primeiro plano, uma renderização de revisão com padrão quadriculado e um recorte com controle de despill. A saída pode ser gravada como vídeo codificado com ffmpeg ou como sequências de imagens OpenEXR com valores HDR sem recorte, e as entradas podem ser arquivos de vídeo ou diretórios de frames, inclusive com EXR linear.
O código requer uma GPU NVIDIA com PyTorch habilitado para CUDA e ffmpeg no PATH. O uso de memória é controlado pelos tamanhos das janelas Hann e por um modo de baixa VRAM, para clipes longos ou placas com menos memória. O modelo e o código são disponibilizados sob uma licença de estilo não comercial, com termos adicionais; portanto, consulte a licença antes de usar comercialmente.
Recursos principais
- 01Gera mattes alfa e cor do primeiro plano a partir de vídeos com tela verde ou azul.
- 02Aceita ausência de dicas, uma dica de matte no primeiro frame ou um vídeo de dicas completo para cada frame.
- 03Gera prévias em vídeo com ffmpeg ou sequências OpenEXR com valores HDR sem recorte.
- 04Inclui saídas de revisão com padrão quadriculado e de recorte, com despill ajustável.
- 05Escolhe automaticamente o tamanho da janela temporal e o modo de baixa VRAM conforme a memória da GPU.
Casos de uso
- Fazer keying de cenas com tela verde ou azul em pipelines de VFX e composição.
- Gerar mattes para renderizações de revisão antes da composição final.
- Processar plates em EXR linear para fluxos de trabalho de composição HDR.
- Executar keying em lote numa pasta de clipes pela linha de comando.
Início rápido
- 1
Crie um ambiente virtual de Python
python -m venv venv - 2
Ative o ambiente virtual
source venv/bin/activate - 3
Instale o PyTorch com CUDA e as demais dependências
pip install torch==2.9.1 torchvision==0.24.1 --index-url https://download.pytorch.org/whl/cu128 && pip install -r requirements.txt - 4
Baixe os pesos do modelo (cerca de 5 GB) e execute a inferência em um clipe
python scripts/download_weights.py
Antes de usar
- É necessária uma GPU NVIDIA com pelo menos 4 GB de VRAM (recomenda-se uma RTX série 30 ou mais recente).
- É necessário ter o ffmpeg no PATH e uma instalação do PyTorch compatível com CUDA.
- Os pesos do modelo ocupam cerca de 5 GB para baixar.
Em coleções
Tópicos
Perguntas frequentes
- O que é CorridorKey2.0?
- Modelo de keying com IA para telas verdes e azuis, que gera mattes alfa e cor do primeiro plano em vídeos e roda em Python com GPU NVIDIA. CorridorKey 2.0 é um modelo de keying de vídeo para filmagens com tela verde ou azul. Ele prevê um matte alfa e uma cor limpa do primeiro plano para cada frame e pode funcionar sem dicas, com uma dica de matte no primeiro frame ou com um vídeo de dicas completo para todos os frames.
- CorridorKey2.0 é gratuito? Qual é a licença?
- CorridorKey2.0 é open source sob a licença Other. Confira os termos da licença antes de usá-lo em produtos comerciais.
- CorridorKey2.0 ainda é mantido?
- Manutenção ativa. O último commit de CorridorKey2.0 foi em 15 de out. de 2026.
- Para que posso usar CorridorKey2.0?
- Fazer keying de cenas com tela verde ou azul em pipelines de VFX e composição. Gerar mattes para renderizações de revisão antes da composição final. Processar plates em EXR linear para fluxos de trabalho de composição HDR. Executar keying em lote numa pasta de clipes pela linha de comando.
- Como instalar CorridorKey2.0?
- Crie um ambiente virtual de Python: python -m venv venv Ative o ambiente virtual: source venv/bin/activate Instale o PyTorch com CUDA e as demais dependências: pip install torch==2.9.1 torchvision==0.24.1 --index-url https://download.pytorch.org/whl/cu128 && pip install -r requirements.txt Baixe os pesos do modelo (cerca de 5 GB) e execute a inferência em um clipe: python scripts/download_weights.py
- Onde consigo CorridorKey2.0?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/nikopueringer/CorridorKey2.0
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Currículo introdutório de IA da Microsoft, com 24 aulas ao longo de 12 semanas sobre IA simbólica, redes neurais, visão computacional, NLP e ética, incluindo notebooks em PyTorch e TensorFlow.
Recursos de aprendizado#artificial-intelligence#machine-learning#deep-learning#neural-networks#computer-vision
70,1 mil13,6 milJupyter NotebookMITAtualizado há 23 horas
Uma lista selecionada de bibliotecas, modelos, implementações, tutoriais e artigos relacionados ao PyTorch no GitHub.
16,7 mil2,8 milSem licençaAtualizado mês passado
Biblioteca open source de visão computacional, com algoritmos de processamento de imagens e visão computacional em C++ e bindings para várias linguagens.
91,3 mil57,1 milC++Apache-2.0Atualizado há 3 horas
Um mecanismo OCR de código aberto (libtesseract) e uma ferramenta de linha de comando que extraem texto de imagens, com reconhecimento baseado em LSTM e suporte a mais de 100 idiomas.
77,1 mil10,8 milC++Apache-2.0Atualizado há 2 horas
Framework multiplataforma e soluções de ML prontas para executar modelos de visão, áudio e texto no dispositivo, em dispositivos móveis, web, desktop e IoT.
37,4 mil6,2 milC++Apache-2.0Atualizado há 2 horas