image-captioning

LAVIS - Une bibliothèque tout-en-un pour l'intelligence langage-vision.

Modèle Keras pour générer du code HTML à partir de maquettes de sites web dessinées à la main. Implémente une architecture de légendage d'images pour les images sources dessinées.

InternGPT (iGPT) est une plateforme de démonstration open source pour présenter facilement vos modèles d'IA. Prend désormais en charge DragGAN, ChatGPT, ImageBind, le chat multimodal type GPT-4, SAM, l'édition d'image interactive, etc. Essayez-le sur igpt.opengvlab.com

Dépôt officiel d'OFA (ICML 2022). Article : OFA : Unifier les architectures, les tâches et les modalités via un framework d'apprentissage séquence-à-séquence simple.

Classe Swift simple fournissant toutes les configurations nécessaires pour créer une vue caméra personnalisée dans votre application

Gestionnaire de tags et outil de légende pour les jeux de données d'images

Implémentation de Prismer : un modèle vision-langage avec des experts multi-tâches.

Une liste d'articles sur des travaux récents en vision par ordinateur (CV)

VTuber IA utilisant LLM, ASR, TTS, OCR, CV et d'autres technologies pour diffuser en direct ou jouer à Minecraft avec vous.

👁️ + 💬 + 🎧 = 🤖 Liste sélectionnée des principaux modèles de fondation et multimodaux ! [Article + Code + Exemples + Tutoriels]

Nœuds ComfyUI pour les modèles vision-langage : Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclut également la détection à vocabulaire ouvert, la segmentation SAM2/SAM3, le raisonnement temporel vidéo, GGUF via llama.cpp et des API LLM/VLM hébergées.

[CVPR 2021] VirTex : Apprentissage de représentations visuelles à partir d'annotations textuelles