计算机视觉工具与库：2026 精选

开源计算机视觉库，提供图像处理与计算机视觉算法，支持多种语言调用。

开源 OCR 引擎（libtesseract）及命令行工具，可从图片中识别文字，支持 100 多种语言。

微软出品的 12 周 24 课初学者 AI 课程，涵盖符号 AI、神经网络、计算机视觉、NLP 和 AI 伦理，配有 PyTorch 与 TensorFlow 代码。

Ultralytics YOLO 是一个 Python 计算机视觉库，支持目标检测、分割、分类、姿态估计和目标跟踪等任务。

基于 PyTorch 的计算机视觉工具库，支持目标检测、实例分割和图像分类的训练与模型导出。

可复用的 Python 计算机视觉工具包，用于数据集处理、检测结果可视化、目标跟踪与区域计数。

免费开源的桌面应用，使用 AI 模型放大并增强低分辨率图片，支持 Linux、macOS 和 Windows。

PyTorch 图像模型库，提供大量视觉骨干网络、预训练权重以及训练、验证和导出脚本。

基于 PyTorch 实现的 Vision Transformer（ViT）及多种变体，用于图像分类等视觉任务。

一款移除图片背景的工具，可作为命令行、Python 库、HTTP 服务或 Docker 容器使用。

基于大语言模型和计算机视觉的开源浏览器自动化工具，可在任意网站上执行工作流，并在 Playwright 上扩展 AI 能力。

基于码本查找 Transformer 的盲人脸修复工具，可增强模糊、低质量或受损的人脸图像与视频。

一份整理 PyTorch 相关开源项目、库、模型实现与教程的资源清单。

开源摄影工作流应用与非破坏性 RAW 显影软件，用于管理、编辑和导出数字底片。

基于 PyTorch 的类激活图（CAM）方法库，用于可视化视觉模型做出预测时关注的图像区域。

开源 Rust 工具链，用于记录、可视化、查询并流式输出随时间变化的多模态机器人与传感器数据。

开源深度学习推理工具包，用于优化模型并部署到 Intel CPU、GPU 和 NPU 上运行。

一款跨平台桌面应用，用 AI 辅助标注文本、图像、视频、点云和多模态数据，支持多种格式导出。

开源工具，可检测、识别、翻译漫画及图片中的文字，并自动擦除原文后重新排版。

开源免费的无标记动作捕捉系统，用多台相机采集视频并重建三维人体运动。

苹果研究项目，单张照片不到一秒即可生成可渲染的 3D 高斯场景。

为 OpenCV、FFmpeg 等计算机视觉与多媒体库提供 Java 接口和工具类。

跨平台桌面图片超分辨率工具，支持内置或自定义模型，可在 Windows、macOS 和 Linux 上运行。

开源的 Rust 工具，可将 JPG、PNG 等位图转换为紧凑的 SVG 矢量图，提供命令行、桌面应用和多语言库。

基于 PyTorch 的开源 Python OCR 库，使用深度学习模型识别 PDF 和图片中的文字。

带有 GLaDOS 风格语音、摄像头观察、持久记忆和工具调用的本地语音助手，附带浏览器控制台。

将静态图表图片转换为可编辑的 DrawIO（XML）文件，结合 SAM 3 分割、OCR 与公式识别。

基于图像识别的 C++ 自动化黑盒测试框架，支持 Windows、Linux、macOS 和 Android。

一本免费开源的中文 PyTorch 教程及配套代码，涵盖基础、CV、NLP、大模型应用与部署。

BiRefNet 官方 PyTorch 实现，用于高分辨率二分图像分割，常用于抠图去背景。

面向 LLM 与智能体的决策层，基于语义相似度或小型决策模型快速路由请求，并给出校准后的置信度。

一款基于 Rust 的工具，可将 AI 生成的杂乱像素画校正到规整的像素网格并统一调色板。

离线 C++ 工具，通过反向 Alpha 混合去除图片中的 Gemini 可见水印，提供 GUI、CLI 与批处理。

将 UI 截图或设计稿转换为可编辑的 HTML/CSS 代码，采用模块化多智能体流程。

基于 C++ 的视频结构化分析框架，以可插拔节点组成流水线，覆盖取流、推理、跟踪与输出。

一款 macOS 应用，通过摄像头或 AirPods 运动传感器监测坐姿，驼背时逐步模糊屏幕进行提醒。

基于 OpenGL/ES 的跨平台 C++ 图像与视频滤镜库，提供美颜等实时效果。

收录 419 个预训练 AI 模型，覆盖视觉、语音、NLP 与大模型，可通过统一的 Python 命令行运行。

基于扩散模型的一步式流式视频超分辨率框架，面向实时视频放大。

基于 DeepSeek-OCR 的网页应用，可对图片和 PDF 做文字识别，并导出为多种格式。

面向 Sophon、Rockchip RKNN 和 x86 的 C++ 边缘 AI 引擎，将视频分析与端侧 VLM 模型部署为可运行的应用。

本地优先的视频知识库，对视频做语音转写、画面分析和向量化索引，并支持用自然语言搜索视频或其中的片段。

基于 Docker 的 PDF 版面分析微服务，可识别标题、正文、表格、图片等元素，并支持 OCR 与 Markdown/HTML 转换。

NEO 是一系列原生视觉-语言模型，采用无编码器的统一稠密架构直接处理像素与文字。

AMD Ryzen AI 处理器上运行 AI 推理的教程、示例与演示代码，基于 Ryzen AI 软件工具和运行时。

把闲置安卓手机变成局域网摄像头，PC 端提供实时预览、录像及可选的 AI 触发分析。

自托管衣橱管理应用，拍照录入衣物，AI 自动标注，并按天气和场合推荐每日穿搭。

注重隐私的本地图片与动图压缩工作台，支持 Web、Windows、macOS 和 Linux。

一个统一的多模态模型，通过文本和图像生成完成检测、OCR、分割、深度估计和多视图几何等视觉任务。

按住快捷键无声地对着摄像头做口型，Lipflow 会把识别出的文字输入到光标处，全程本地运行。

MMMU 与 MMMU-Pro 多学科多模态基准的评测代码，考察模型对大学水平图文问题的理解与推理。

面向计算机视觉的 Python 图像增强库，统一处理图像、掩码、边界框和关键点。

macOS 本地应用，用自然语言搜索任意文件夹中的照片和视频画面，推理全部在本机完成。

基于流式语音转写训练的视频大模型，可对视频进行实时解说，对应 CVPR 2025 论文 LiveCC。

开源浏览器端抠图工具，基于 WebGPU 或 WebAssembly 本地运行，无需上传图片。

可自托管的 Docker 图片处理工具箱，支持 70 多种格式转换、批量压缩、逐文件裁剪和本地 AI 抠图。

基于 Vecto 引擎的 Streamlit 网页工具,把上传的位图自动转换为可编辑的 SVG 矢量图。

一款免费、离线的桌面应用，基于场景、动作、音频、物体和字幕等信号，在本地视频中找出精彩片段并解释评分原因。

将白板风格图片渲染为手绘书写动画 MP4 的命令行工具与 Python 库，可按配音节奏调整绘制速度。

一款注重隐私的桌面应用，离线按人脸、日期和地点整理与分组照片，支持 Windows 和 macOS。