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·90)、ultralytics(S·89)、PaddleOCR(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·90—★ 76.5k+95☆

2ultralyticsYOLO11 目标检测/分割/追踪,工业级实时视觉S·89—★ 61.6k+224☆

3PaddleOCR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—★ 89.5k+478☆

4supervision可复用的计算机视觉工具库:检测、追踪、标注全套S·88—★ 50.1k+152☆

5tesseract.js纯 JavaScript OCR,支持 100+ 语言S·85—★ 38.7k+10☆

6segment-anythingMeta 万物分割 SAM,一键抠出任意物体S·84—★ 54.9k+29☆

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

7CLIPOpenAI图文对比学习基座S·84—★ 34.3k+35☆

8Umi-OCR免费开源离线 OCR 识别软件S·83—★ 47.3k+135☆

9unilm微软统一预训练:跨任务/语言/模态S·83—★ 22.2k+9☆

10Awesome-Multimodal-Large-Language-Models多模态大模型最新研究资源合集S·82—★ 18.0k+8☆

11sam2SAM 2:图像视频统一分割,追踪任意对象S·82—★ 19.9k+39☆

12rerun多模态机器人数据的可视化查询与训练流S·81—★ 11.4k+40☆

13EasyOCR开箱即用OCR,支持80余种语言S·81—★ 30.0k+10☆

14LLaVA视觉指令微调,开源多模态对话大模型S·80—★ 25.0k+8☆

15chandra精准处理复杂版面的OCR识别模型S·79—★ 12.3k+32☆

16RapidOCR多语言多推理后端的OCR工具包S·79—★ 7.8k+90☆

17X-AnyLabelingAI 辅助数据标注:SAM 等模型加持S·79▼1★ 10.4k+64☆

18JanusDeepSeek Janus:统一多模态理解与生成模型S·78—★ 17.8k☆

19ddddocr通用验证码识别OCR的Python库S·77—★ 14.7k+24☆

20doctr深度学习驱动的文档文字识别库S·77—★ 6.3k+11☆

21minimind-v2小时从零训练65M参数视觉多模态VLMS·77—★ 8.6k+50☆

22mmfMeta FAIR 的视觉语言多模态研究框架S·75—★ 5.6k☆

23InternVL性能对标GPT-4o的开源多模态对话模型S·75—★ 10.2k+7☆

24MineContext主动感知上下文的AI伙伴S·75—★ 5.5k+15☆

25mteb跨语言跨模态的嵌入模型评测基准S·75—★ 3.4k+2☆

26VLM-R1强化学习增强的视觉理解 VLMS·75—★ 6.0k+4☆

27GroundingDINO用文字框选图中目标,开放词汇检测S·75—★ 10.6k+26☆

28OSWorld多模态智能体真实电脑环境基准测试S·74▲1★ 3.1k+12☆

29ai类型安全、跨平台的TypeScript AI SDKS·74—★ 3.1k+31☆

30Eagle数据为中心策略打造的前沿视觉语言模型S·73—★ 3.6k+31☆

31Qwen-VL阿里通义千问视觉语言模型官方仓库S·73—★ 6.7k☆

32CHINESE-OCR中文场景文字检测与不定长OCR识别S·73—★ 3.0k☆

33genai-processors轻量级Python并行内容处理库，面向生成式AIS·72—★ 2.1k☆

34docarray多模态数据表示、存储与检索库S·72—★ 3.1k☆

35DataDesignerNeMo合成数据生成工具,助力模型训练S·72—★ 2.2k+8☆

36Ask-Anything支持视频理解的类ChatGPT多模态应用S·72—★ 3.4k+2☆

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

38DeepSeek-VLDeepSeek视觉语言模型，面向真实场景图文理解S·71—★ 4.2k+4☆

39InternVideo视频基础模型,支持多模态视频理解S·71—★ 2.4k+8☆

40mmocrOpenMMLab出品的文字检测识别工具箱S·71—★ 4.8k☆

41face.evoLVe高性能人脸识别开源库S·70—★ 3.6k+2☆

42deep-text-recognition-benchmark深度学习文字识别基准测试框架S·70—★ 3.9k+3☆

43parlor设备端实时多模态AI,支持语音视觉自然对话S·70—★ 2.1k+10☆

44tesserocrTesseract OCR的Python封装库S·70—★ 2.2k☆

45NExT-GPT任意到任意的多模态大语言模型S·70—★ 3.6k☆

46SimpleHTR基于TensorFlow的手写文字识别系统S·70—★ 2.2k☆

47text-detection-ctpn基于CTPN模型的场景文本检测S·70—★ 3.4k☆

48ShowUI面向GUI Agent的视觉语言动作模型S·70—★ 1.9k+1☆

49CRAFT-pytorch文本区域感知检测官方实现CRAFTS·70—★ 3.4k☆

50AdelaiDet实例级目标检测识别开源工具箱S·70—★ 3.5k+1☆

51Awesome-LLM4AD自动驾驶LLM相关资源精选清单S·70—★ 1.9k☆

52tesseract-ocr-for-phpPHP语言的Tesseract OCR封装库S·69—★ 3.0k+3☆

53ha-llmvision为智能家居提供AI视觉理解能力S·69—★ 1.5k+8☆

54TrWebOCR开源中文离线OCR,识别率媲美大厂S·69—★ 2.9k☆

55InternLM-XComposer多模态大模型,支持长时流式视频音频交互S·69—★ 2.9k+2☆

56gosseractGo语言的Tesseract OCR封装库S·69—★ 3.1k+1☆

57LLaVA-OneVision-2开放的多模态大模型训练框架S·69—★ 1.2k+4☆

58awesome-segment-anythingSegment Anything相关资源合集S·69—★ 1.7k☆

59thepipe视觉语言模型驱动的复杂文档解析工具S·69—★ 1.5k+1☆

60tools-ocr跨平台树洞OCR文字识别小工具S·69—★ 3.1k☆

展示前 60 名 · 完整榜单见 每日热榜 →