Projetos open source sobre “computer-vision”

Base de conhecimento de vídeos local-first que indexa seus vídeos com transcrição, análise de quadros e embeddings, permitindo buscar cenas em linguagem natural.

Aplicação web com React e FastAPI para executar o DeepSeek-OCR em imagens e PDFs com várias páginas, com exportação para Markdown, HTML, DOCX e JSON.

Um app para desktop que prioriza a privacidade e organiza suas fotos por rosto, data e localização inteiramente na sua máquina, sem enviar nada para a nuvem.

Código de pesquisa do WorldGrow, um método que gera mundos 3D explícitos, expansíveis e percorríveis, bloco a bloco, a partir de um bloco inicial.

Coleção de 419 modelos de IA pré-treinados para visão, fala, NLP e LLMs, executáveis por uma CLI simples com download automático dos pesos.

Ferramenta e biblioteca Python para remover fundos de imagens, disponível como CLI, biblioteca, servidor HTTP ou container Docker.

Converte capturas de tela de interfaces e mockups de design em código HTML/CSS editável usando um pipeline modular com múltiplos agentes.

Converte imagens estáticas de diagramas, fluxogramas e fórmulas em arquivos DrawIO (XML) totalmente editáveis usando segmentação com SAM 3 e OCR.

Modelo de restauração facial às cegas baseado em PyTorch que recupera fotos de rostos degradadas, de baixa qualidade ou antigas usando um transformer com busca em codebook.

Transforma celulares Android sem uso em câmeras na rede local, com um painel para PC para visualizar MJPEG ao vivo, gravar e analisar eventos com IA opcional.

Aplicativo desktop multiplataforma para ampliar imagens com modelos de super-resolução integrados ou personalizados, compatível com Windows, macOS e Linux.

Uma biblioteca Python open source de OCR que detecta e reconhece texto em PDFs e imagens usando modelos de deep learning baseados em PyTorch.

Ditado silencioso por leitura labial: segure uma tecla, articule palavras diante da webcam e o texto será colado na posição do cursor, tudo localmente.

Engine de IA de borda em C++ que transforma análise de vídeo e modelos VLM no próprio dispositivo em apps implantáveis em hardware Sophon, Rockchip RKNN e x86.

Um modelo multimodal unificado que realiza várias tarefas de visão computacional gerando texto, imagens ou ambos a partir de instruções em linguagem natural.

Framework open source baseado em PyTorch para deep learning com dados de imagens médicas, incluindo pré-processamento, redes, funções de perda e métricas.

Gerenciador de guarda-roupa auto-hospedado que usa IA para etiquetar fotos de roupas e sugerir looks diários conforme o clima e a ocasião.

Framework C++ de análise de vídeo estruturado como um pipeline de nós independentes, para executar modelos de CV e LLMs multimodais em streams de vídeo.

Microsserviço baseado em Docker que analisa o layout de PDFs, classifica elementos como títulos, textos, tabelas e imagens e converte PDFs para Markdown ou HTML.