clip

X-AnyLabeling: una aplicación de escritorio multiplataforma ligera, eficiente y unificada para anotar texto, imágenes, video y datos multimodales, que combina herramientas versátiles integradas con modelos de IA de última generación y una exportación flexible en múltiples formatos.

Versión en chino de CLIP que logra la recuperación y generación de representaciones multimodales en chino.

Servicio de notificación de código abierto sin app, listo para usar escaneando el código QR en iOS14+. También es compatible con Quick App, clientes de iOS/Mac, cliente de Android y dispositivos caseros

Kit de herramientas de evaluación de código abierto para grandes modelos multimodales (LMMs), compatible con más de 220 LMMs y más de 80 benchmarks

Caja de herramientas de preentrenamiento y Benchmark de OpenMMLab

Solución NLP en chino (grandes modelos, datos, modelos, entrenamiento, inferencia)

Colección de increíbles modelos de lenguaje y visión para tareas de visión

Imagen a prompt con BLIP y CLIP

Calcula fácilmente incrustaciones de CLIP y construye un sistema de recuperación basado en ellas

🥂 Enfréntate elegantemente a los desafíos de hCaptcha usando modelos de lenguaje grande multimodales.

Cambrian-1 es una familia de LLM multimodales con un diseño centrado en la visión.

Desarrollo rápido de interfaz de usuario para Android, diseñado para resolver las limitaciones de los controles nativos

Recurso imprescindible para cualquiera que desee experimentar y construir sobre la API de visión de OpenAI 🔥

Añada detección de objetos, seguimiento, notificaciones móviles y búsqueda a cualquier cámara de seguridad.

[ACL 2024] Video-ChatGPT es un modelo de conversación de video capaz de generar diálogos significativos sobre videos. Combina las capacidades de los LLMs con un codificador visual preentrenado adaptado para la representación espaciotemporal de video. También introducimos un riguroso 'Quantitative Evaluation Benchmarking' para modelos conversacionales basados en video.

IA multimodal de bolsillo para la comprensión y generación de contenido en textos multilingües, imágenes y próximamente video, hasta 5 veces más rápida que OpenAI CLIP y LLaVA.

Lista de recursos seleccionados para la investigación sobre CLIP (Contrastive Language-Image Pre-Training).

Esta serie te guiará desde los fundamentos de la PNL y la visión por computadora hasta la vanguardia de los modelos de visión y lenguaje.

Una implementación oficial de "CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval"

Caja de herramientas de algoritmos de IA offline gratuita para Java, que admite reconocimiento facial, detección de vida, reconocimiento de expresiones, detección de objetos, segmentación de instancias, detección de peatones, OCR, reconocimiento de matrículas, reconocimiento de tablas, ASR+TTS, traducción automática y más. Se utiliza mediante Maven. Compatible con PyTorch y Tensorflow, e integra modelos como Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5) y Whisper.

CLIP + FFT/DWT/RGB = texto a imagen/video

Nueva generación de CLIP con fuerte capacidad de discriminación de grano fino, ICML2026 e ICML2025

Paddle Multimodal Integration and eXploration, que soporta tareas multimodales convencionales, incluyendo modelos de preentrenamiento multimodal a gran escala de extremo a extremo y un conjunto de herramientas de modelos de difusión. Equipado con alto rendimiento y flexibilidad.

TrailSnap | Álbum de fotos de código abierto impulsado por IA para recuerdos de viajes y vida.

Una colección completa de recursos sobre modelos de lenguaje visual, incluyendo artículos y repositorios de modelos. Actualización continua.

LLM2CLIP mejora significativamente los modelos CLIP, que ya son de última generación.

Descargador/grabador de transmisiones, videos y clips de Twitch. Esta herramienta con interfaz gráfica ayuda a descargar y grabar videos de Twitch, incluyendo transmisiones y VODs.

Extrae características de video de videos sin procesar utilizando múltiples GPU. Soportamos marcos de flujo RAFT, así como modelos S3D, I3D, R(2+1)D, VGGish, CLIP y TIMM.

👁️ + 💬 + 🎧 = 🤖 Lista curada de los mejores modelos fundamentales y multimodales. [Artículos + Código + Ejemplos + Tutoriales]

Keras beit, caformer, CMT, CoAtNet, convnext, davit, dino, efficientdet, edgenext, efficientformer, efficientnet, eva, fasternet, fastervit, fastvit, flexivit, gcvit, ghostnet, gpvit, hornet, hiera, iformer, inceptionnext, lcnet, levit, maxvit, mobilevit, moganet, nat, nfnets, pvt, swin, tinynet, tinyvit, uniformer, volo, vanillanet, yolor, yolov7, yolov8, yolox, gpt2, llama2, alias kecam