多模态视觉

多模态视觉(国外)分类当前收录 162 个 AI Skill,按 S-Score 排名靠前的有 tesseract(S·91)、ultralytics(S·89)、supervision(S·88)。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☆

2ultralyticsYOLO11 目标检测/分割/追踪,工业级实时视觉S·89—★ 63.0k+220☆

3supervision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☆

4tesseract.js纯 JavaScript OCR,支持 100+ 语言S·85—★ 38.8k+13☆

5segment-anythingMeta 万物分割 SAM,一键抠出任意物体S·84—★ 55.1k+32☆

6Awesome-Multimodal-Large-Language-Models多模态大模型最新研究资源合集S·83—★ 18.1k+7☆

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

7unilm微软统一预训练:跨任务/语言/模态S·82—★ 22.2k☆

8sam2SAM 2:图像视频统一分割,追踪任意对象S·82—★ 20.1k+38☆

9CLIPOpenAI图文对比学习基座S·81—★ 34.5k+31☆

10EasyOCR开箱即用OCR,支持80余种语言S·81—★ 30.1k+24☆

11rerun多模态机器人数据的可视化查询与训练流S·81—★ 11.7k+37☆

12X-AnyLabelingAI 辅助数据标注:SAM 等模型加持S·80—★ 10.8k+77☆

13chandra精准处理复杂版面的OCR识别模型S·80▼1★ 12.6k+94☆

14LLaVA视觉指令微调,开源多模态对话大模型S·80—★ 25.1k+6☆

15RapidOCR多语言多推理后端的OCR工具包S·79—★ 8.4k+106☆

16doctr深度学习驱动的文档文字识别库S·78—★ 6.4k+8☆

17mmfMeta FAIR 的视觉语言多模态研究框架S·76—★ 5.6k☆

18MineContext主动感知上下文的AI伙伴S·75—★ 5.5k+2☆

19VLM-R1强化学习增强的视觉理解 VLMS·75—★ 6.0k+6☆

20mteb跨语言跨模态的嵌入模型评测基准S·75—★ 3.5k+11☆

21ai类型安全、跨平台的TypeScript AI SDKS·74—★ 3.3k+69☆

22OSWorld多模态智能体真实电脑环境基准测试S·74—★ 3.2k+9☆

23Eagle数据为中心策略打造的前沿视觉语言模型S·73—★ 3.7k+17☆

24VLM_survey视觉语言模型研究资源合集S·73—★ 3.1k+3☆

25DataDesignerNeMo合成数据生成工具,助力模型训练S·73—★ 2.4k+20☆

26SwiftOCRSwift编写的快速简单OCR识别库S·71—★ 4.6k☆

27genai-processors轻量级Python并行内容处理库，面向生成式AIS·71—★ 2.1k+1☆

28tesserocrTesseract OCR的Python封装库S·71▼1★ 2.2k+3☆

29mmocrOpenMMLab出品的文字检测识别工具箱S·71—★ 4.7k☆

30Awesome-LLM4AD自动驾驶LLM相关资源精选清单S·71—★ 1.9k+1☆

31deep-text-recognition-benchmark深度学习文字识别基准测试框架S·70—★ 3.9k+1☆

32face.evoLVe高性能人脸识别开源库S·70—★ 3.6k+2☆

33awesome-vlm-architectures知名视觉语言模型架构汇总列表S·70—★ 1.4k+13☆

34CRAFT-pytorch文本区域感知检测官方实现CRAFTS·70—★ 3.4k+2☆

35parlor设备端实时多模态AI,支持语音视觉自然对话S·70—★ 2.1k+24☆

36SimpleHTR基于TensorFlow的手写文字识别系统S·70—★ 2.2k+1☆

37NExT-GPT任意到任意的多模态大语言模型S·70—★ 3.6k☆

38text-detection-ctpn基于CTPN模型的场景文本检测S·70—★ 3.4k☆

39AdelaiDet实例级目标检测识别开源工具箱S·70—★ 3.5k☆

40docarray多模态数据表示、存储与检索库S·69—★ 3.1k☆

41gosseractGo语言的Tesseract OCR封装库S·69—★ 3.1k☆

42DeTikZify将科学图表转为TikZ绘图代码S·69—★ 1.8k+1☆

43claude-video-vision让Claude看懂视频的多模态插件S·69—★ 1.4k+32☆

44MGMMini-Gemini多模态视觉语言模型官方实现S·69—★ 3.3k☆

45tesseract-ocr-for-phpPHP语言的Tesseract OCR封装库S·69—★ 3.0k☆

46LLaVA-OneVision-2开放的多模态大模型训练框架S·69—★ 1.2k+1☆

47EASTTensorFlow实现的场景文字检测模型S·69—★ 3.1k☆

48ha-llmvision为智能家居提供AI视觉理解能力S·68—★ 1.5k+12☆

49Ovis结构化对齐视觉与文本的多模态大模型S·68—★ 1.5k+3☆

50thepipe视觉语言模型驱动的复杂文档解析工具S·68—★ 1.5k+2☆

51awesome-deep-text-detection-recognition深度学习文本检测识别精选资源合集S·68—★ 2.5k☆

52OFA统一架构与模态的序列到序列学习框架S·68—★ 2.6k☆

53mPLUG-Owl阿里达摩院出品的多模态大语言模型家族S·68—★ 2.5k+1☆

54xtreme1一体化多模态数据标注平台，支持点云与大模型S·68▼1★ 1.4k☆

55mPLUG-DocOwl模块化多模态文档理解大模型，支持OCR与问答S·68—★ 2.4k☆

56Show-o统一多模态理解与生成的单一Transformer模型S·67—★ 2.0k+1☆

57ShowUI面向GUI Agent的视觉语言动作模型S·67—★ 1.9k+3☆

58crnnCRNN 卷积循环网络，用于图像序列识别S·67—★ 2.1k☆

59PointLLM让大语言模型理解三维点云的多模态模型S·67—★ 1.1k☆

60Awesome-MCoT多模态思维链推理研究综述合集S·67—★ 1.0k☆

展示前 60 名 · 完整榜单见 每日热榜 →