Open source проекты по теме «computer-vision»

Локальная база знаний по видео: индексирует ролики с помощью транскрибации, анализа кадров и эмбеддингов, а затем позволяет находить сцены по запросам на естественном языке.

Веб-приложение на React и FastAPI для запуска DeepSeek-OCR на изображениях и многостраничных PDF с экспортом в Markdown, HTML, DOCX и JSON.

Приложение для компьютера, которое сортирует и группирует фото по лицам, датам и местам полностью локально — без загрузки в облако.

Исследовательский код WorldGrow — метода генерации открытых, пригодных для передвижения явных 3D-миров по блокам, начиная с блока-затравки.

Коллекция из 419 предобученных AI-моделей для компьютерного зрения, обработки речи, NLP и LLM, которые можно запускать простой CLI-командой с автоматической загрузкой весов.

Инструмент и библиотека на Python для удаления фона с изображений: доступны CLI, библиотека, HTTP-сервер и Docker-контейнер.

Преобразует скриншоты интерфейсов и макеты в редактируемый HTML/CSS-код с помощью модульного конвейера из нескольких агентов.

Преобразует статичные изображения диаграмм, блок-схем и формул в полностью редактируемые файлы DrawIO (XML) с помощью сегментации SAM 3 и OCR.

Модель восстановления лиц на PyTorch: улучшает повреждённые, некачественные и старые фотографии с помощью трансформера, который подбирает признаки из кодовой книги.

Превращает старые Android-смартфоны в камеры в локальной сети: на ПК доступны трансляция MJPEG, запись и необязательный анализ событий с помощью ИИ.

Кроссплатформенное desktop-приложение для увеличения изображений с помощью встроенных или пользовательских моделей суперразрешения для Windows, macOS и Linux.

Открытая Python-библиотека OCR, которая обнаруживает и распознаёт текст в PDF и изображениях с помощью моделей глубокого обучения на PyTorch.

Тихий диктат по губам: удерживайте клавишу, проговаривайте слова перед веб-камерой беззвучно, а текст появится у курсора; всё работает локально.

C++-движок edge AI, который превращает видеоаналитику и VLM-модели на устройстве в приложения для Sophon, Rockchip RKNN и x86.

Унифицированная мультимодальная модель для множества задач компьютерного зрения: по инструкциям на естественном языке генерирует текст, изображения или и то и другое.

Открытый фреймворк на базе PyTorch для глубокого обучения на медицинских изображениях: предобработка, нейросети, функции потерь и метрики.

Самостоятельно размещаемый менеджер гардероба, который с помощью AI распознаёт одежду на фото и подбирает образы с учётом погоды и повода.

Фреймворк для анализа видео на C++, построенный как конвейер из независимых узлов для запуска CV-моделей и мультимодальных LLM на видеопотоках.

Микросервис на базе Docker для анализа структуры PDF, классификации элементов вроде заголовков, текста, таблиц и изображений, а также преобразования PDF в Markdown или HTML.