多模态视觉

多模态视觉分类当前收录 162 个 AI Skill,按 S-Score 排名靠前的有 tesseract(S·91)、PaddleOCR(S·89)、ultralytics(S·89)。S-Score 基于 GitHub 星标量级与维护活跃度算法计算,每小时重排、付费不影响排名,数据每日快照。

#SKILL · 摊位S-SCORESTARS ★ 7D趋势

1tesseract最老牌的开源 OCR 引擎,百余种语言文字识别S·91—★ 77.2k+116☆

2PaddleOCR百度飞桨 OCR 工具箱,把 PDF/图片变成 AI 可用的结构化数据S·89—★ 92.0k+420☆

3ultralyticsYOLO11 目标检测/分割/追踪,工业级实时视觉S·89—★ 63.0k+220☆

4supervision可复用的计算机视觉工具库:检测、追踪、标注全套S·88—★ 51.4k+154☆

5tesseract.js纯 JavaScript OCR,支持 100+ 语言S·85—★ 38.8k+13☆

6segment-anythingMeta 万物分割 SAM,一键抠出任意物体S·84—★ 55.1k+32☆

AD◧广告位招商中 —— 你的产品出现在这里自助投放 · 周结算 · 广告内容与榜单排序无关了解 →广告 AD

7Awesome-Multimodal-Large-Language-Models多模态大模型最新研究资源合集S·83—★ 18.1k+7☆

8Umi-OCR免费开源离线 OCR 识别软件S·83—★ 48.3k+170☆

9sam2SAM 2:图像视频统一分割,追踪任意对象S·82—★ 20.1k+38☆

10unilm微软统一预训练:跨任务/语言/模态S·82—★ 22.2k☆

11EasyOCR开箱即用OCR,支持80余种语言S·81—★ 30.1k+24☆

12CLIPOpenAI图文对比学习基座S·81—★ 34.5k+31☆

13rerun多模态机器人数据的可视化查询与训练流S·81—★ 11.7k+37☆

14chandra精准处理复杂版面的OCR识别模型S·80▼1★ 12.6k+94☆

15LLaVA视觉指令微调,开源多模态对话大模型S·80—★ 25.1k+6☆

16X-AnyLabelingAI 辅助数据标注:SAM 等模型加持S·80—★ 10.8k+77☆

17RapidOCR多语言多推理后端的OCR工具包S·79—★ 8.4k+106☆

18minimind-v2小时从零训练65M参数视觉多模态VLMS·79—★ 8.8k+27☆

19doctr深度学习驱动的文档文字识别库S·78—★ 6.4k+8☆

20JanusDeepSeek Janus:统一多模态理解与生成模型S·78—★ 17.8k+5☆

21ddddocr通用验证码识别OCR的Python库S·77—★ 14.9k+20☆

22mmfMeta FAIR 的视觉语言多模态研究框架S·76—★ 5.6k☆

23VLM-R1强化学习增强的视觉理解 VLMS·75—★ 6.0k+6☆

24InternVL性能对标GPT-4o的开源多模态对话模型S·75—★ 10.2k+2☆

25MineContext主动感知上下文的AI伙伴S·75—★ 5.5k+2☆

26mteb跨语言跨模态的嵌入模型评测基准S·75—★ 3.5k+11☆

27GroundingDINO用文字框选图中目标,开放词汇检测S·75—★ 10.7k+23☆

28ai类型安全、跨平台的TypeScript AI SDKS·74—★ 3.3k+69☆

29OSWorld多模态智能体真实电脑环境基准测试S·74—★ 3.2k+9☆

30Eagle数据为中心策略打造的前沿视觉语言模型S·73—★ 3.7k+17☆

31DataDesignerNeMo合成数据生成工具,助力模型训练S·73—★ 2.4k+20☆

32Qwen-VL阿里通义千问视觉语言模型官方仓库S·73—★ 6.7k☆

33VLM_survey视觉语言模型研究资源合集S·73—★ 3.1k+3☆

34CHINESE-OCR中文场景文字检测与不定长OCR识别S·72—★ 3.0k☆

35Ask-Anything支持视频理解的类ChatGPT多模态应用S·72—★ 3.4k+4☆

36DeepSeek-VLDeepSeek视觉语言模型，面向真实场景图文理解S·71—★ 4.2k+5☆

37SwiftOCRSwift编写的快速简单OCR识别库S·71—★ 4.6k☆

38genai-processors轻量级Python并行内容处理库，面向生成式AIS·71—★ 2.1k+1☆

39InternVideo视频基础模型,支持多模态视频理解S·71—★ 2.4k+2☆

40mmocrOpenMMLab出品的文字检测识别工具箱S·71—★ 4.7k☆

41tesserocrTesseract OCR的Python封装库S·71▼1★ 2.2k+3☆

42Awesome-LLM4AD自动驾驶LLM相关资源精选清单S·71—★ 1.9k+1☆

43deep-text-recognition-benchmark深度学习文字识别基准测试框架S·70—★ 3.9k+1☆

44NExT-GPT任意到任意的多模态大语言模型S·70—★ 3.6k☆

45face.evoLVe高性能人脸识别开源库S·70—★ 3.6k+2☆

46awesome-vlm-architectures知名视觉语言模型架构汇总列表S·70—★ 1.4k+13☆

47AdelaiDet实例级目标检测识别开源工具箱S·70—★ 3.5k☆

48parlor设备端实时多模态AI,支持语音视觉自然对话S·70—★ 2.1k+24☆

49text-detection-ctpn基于CTPN模型的场景文本检测S·70—★ 3.4k☆

50CRAFT-pytorch文本区域感知检测官方实现CRAFTS·70—★ 3.4k+2☆

51SimpleHTR基于TensorFlow的手写文字识别系统S·70—★ 2.2k+1☆

52tesseract-ocr-for-phpPHP语言的Tesseract OCR封装库S·69—★ 3.0k☆

53EASTTensorFlow实现的场景文字检测模型S·69—★ 3.1k☆

54LLaVA-OneVision-2开放的多模态大模型训练框架S·69—★ 1.2k+1☆

55InternGPT开源多模态AI模型演示平台S·69—★ 3.2k+1☆

56docarray多模态数据表示、存储与检索库S·69—★ 3.1k☆

57MGMMini-Gemini多模态视觉语言模型官方实现S·69—★ 3.3k☆

58DeTikZify将科学图表转为TikZ绘图代码S·69—★ 1.8k+1☆

59claude-video-vision让Claude看懂视频的多模态插件S·69—★ 1.4k+32☆

60InternLM-XComposer多模态大模型,支持长时流式视频音频交互S·69—★ 2.9k+2☆

展示前 60 名 · 完整榜单见 每日热榜 →