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 PaddleOCR(S·91)、tesseract(S·90)、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

1PaddleOCR百度飞桨 OCR 工具箱,把 PDF/图片变成 AI 可用的结构化数据S·91—★ 86.4k+469☆

2tesseract最老牌的开源 OCR 引擎,百余种语言文字识别S·90—★ 75.6k+114☆

3ultralyticsYOLO11 目标检测/分割/追踪,工业级实时视觉S·89—★ 60.0k+279☆

4supervision可复用的计算机视觉工具库:检测、追踪、标注全套S·88—★ 48.4k+222☆

5tesseract.js纯 JavaScript OCR,支持 100+ 语言S·85—★ 38.6k+26☆

6segment-anythingMeta 万物分割 SAM,一键抠出任意物体S·84—★ 54.6k+48☆

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—★ 34.1k+40☆

8Umi-OCR免费开源离线 OCR 识别软件S·83—★ 46.3k+93☆

9Awesome-Multimodal-Large-Language-Models多模态大模型最新研究资源合集S·83—★ 18.0k+6☆

10sam2SAM 2:图像视频统一分割,追踪任意对象S·81—★ 19.6k+41☆

11EasyOCR开箱即用OCR,支持80余种语言S·81—★ 29.8k+32☆

12rerun多模态机器人数据的可视化查询与训练流S·81—★ 11.2k+46☆

13X-AnyLabelingAI 辅助数据标注:SAM 等模型加持S·80—★ 9.9k+91☆

14ddddocr通用验证码识别OCR的Python库S·80—★ 14.5k+36☆

15LLaVA视觉指令微调,开源多模态对话大模型S·80—★ 24.9k+19☆

16chandra精准处理复杂版面的OCR识别模型S·79—★ 11.8k+78☆

17unilm微软统一预训练:跨任务/语言/模态S·79—★ 22.2k+8☆

18RapidOCR多语言多推理后端的OCR工具包S·78—★ 7.3k+60☆

19doctr深度学习驱动的文档文字识别库S·78—★ 6.2k+8☆

20minimind-v2小时从零训练65M参数视觉多模态VLMS·78—★ 8.4k+34☆

21JanusDeepSeek Janus:统一多模态理解与生成模型S·78—★ 17.8k+1☆

22mmfMeta FAIR 的视觉语言多模态研究框架S·76—★ 5.6k+2☆

23VLM-R1强化学习增强的视觉理解 VLMS·76—★ 6.0k+5☆

24MineContext主动感知上下文的AI伙伴S·75—★ 5.4k+10☆

25GroundingDINO用文字框选图中目标,开放词汇检测S·75—★ 10.5k+38☆

26InternVL性能对标GPT-4o的开源多模态对话模型S·75—★ 10.1k+6☆

27OSWorld多模态智能体真实电脑环境基准测试S·74—★ 3.0k+15☆

28ai类型安全、跨平台的TypeScript AI SDKS·74—★ 2.9k+21☆

29mteb跨语言跨模态的嵌入模型评测基准S·74—★ 3.4k+7☆

30Ask-Anything支持视频理解的类ChatGPT多模态应用S·73—★ 3.3k+2☆

31Qwen-VL阿里通义千问视觉语言模型官方仓库S·73—★ 6.7k+5☆

32DataDesignerNeMo合成数据生成工具,助力模型训练S·72—★ 2.1k+19☆

33Eagle数据为中心策略打造的前沿视觉语言模型S·72—★ 3.3k+39☆

34InternVideo视频基础模型,支持多模态视频理解S·72—★ 2.3k+4☆

35docarray多模态数据表示、存储与检索库S·72—★ 3.1k☆

36mmocrOpenMMLab出品的文字检测识别工具箱S·71—★ 4.7k+1☆

37DeepSeek-VLDeepSeek视觉语言模型，面向真实场景图文理解S·71—★ 4.1k+3☆

38parlor设备端实时多模态AI,支持语音视觉自然对话S·71—★ 1.9k+9☆

39genai-processors轻量级Python并行内容处理库，面向生成式AIS·71—★ 2.1k+3☆

40SwiftOCRSwift编写的快速简单OCR识别库S·71—★ 4.6k+1☆

41NExT-GPT任意到任意的多模态大语言模型S·70—★ 3.6k+1☆

42CRAFT-pytorch文本区域感知检测官方实现CRAFTS·70—★ 3.4k☆

43AdelaiDet实例级目标检测识别开源工具箱S·70—★ 3.5k☆

44text-detection-ctpn基于CTPN模型的场景文本检测S·70—★ 3.4k☆

45ha-llmvision为智能家居提供AI视觉理解能力S·70—★ 1.4k+5☆

46ShowUI面向GUI Agent的视觉语言动作模型S·70—★ 1.9k+6☆

47SimpleHTR基于TensorFlow的手写文字识别系统S·70—★ 2.2k☆

48face.evoLVe高性能人脸识别开源库S·70—★ 3.6k☆

49deep-text-recognition-benchmark深度学习文字识别基准测试框架S·70—★ 3.9k+1☆

50tesserocrTesseract OCR的Python封装库S·70—★ 2.2k+1☆

51VLM_survey视觉语言模型研究资源合集S·69—★ 3.1k☆

52InternLM-XComposer多模态大模型,支持长时流式视频音频交互S·69—★ 2.9k☆

53awesome-segment-anythingSegment Anything相关资源合集S·69—★ 1.7k☆

54AdvancedLiterateMachinery阿里OCR团队的文字识别与文档理解项目合集S·69—★ 1.8k☆

55CHINESE-OCR中文场景文字检测与不定长OCR识别S·69—★ 3.0k☆

56InternGPT开源多模态AI模型演示平台S·69—★ 3.2k+3☆

57LLaVA-OneVision-2开放的多模态大模型训练框架S·69—★ 1.2k+11☆

58tools-ocr跨平台树洞OCR文字识别小工具S·69—★ 3.1k☆

59DeTikZify将科学图表转为TikZ绘图代码S·69—★ 1.8k+2☆

60TrWebOCR开源中文离线OCR,识别率媲美大厂S·69—★ 2.9k☆

展示前 60 名 · 完整榜单见 每日热榜 →