image-captioning

LAVIS - Una biblioteca integral para inteligencia de lenguaje y visión

Modelo de Keras para generar código HTML a partir de maquetas de sitios web dibujadas a mano. Implementa una arquitectura de subtitulación de imágenes para procesar las imágenes fuente.

InternGPT (iGPT) es una plataforma de demostración de código abierto donde puedes mostrar fácilmente tus modelos de IA. Ahora es compatible con DragGAN, ChatGPT, ImageBind, chat multimodal como GPT-4, SAM, edición interactiva de imágenes, etc. Pruébalo en igpt.opengvlab.com

Repositorio oficial de OFA (ICML 2022). Artículo: OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

Clase simple de Swift para proporcionar todas las configuraciones necesarias para crear una vista de cámara personalizada en su aplicación

Gestor de etiquetas y generador de subtítulos para conjuntos de datos de imágenes

Implementación de Prismer: un modelo de lenguaje y visión con expertos multitarea

Una lista de artículos sobre trabajos recientes de Visión Artificial (CV)

VTuber con IA que utiliza LLM, ASR, TTS, OCR, CV y otras tecnologías para realizar transmisiones en vivo o jugar Minecraft contigo.

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

Nodos de ComfyUI para modelos de lenguaje visual: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Incluye detección de vocabulario abierto, segmentación SAM2/SAM3, razonamiento temporal de video, GGUF mediante llama.cpp y APIs de LLM/VLM alojadas.

[CVPR 2021] VirTex: Aprendizaje de representaciones visuales a partir de anotaciones textuales.