image-captioning

LAVIS - 言語・視覚知能のためのオールインワンライブラリ

手描きウェブサイトモックアップからHTMLコードを生成するKerasモデル。手描きソース画像に対して画像キャプション生成アーキテクチャを実装。

InternGPT (iGPT) は、AI モデルを簡単に公開できるオープンソースのデモプラットフォームです。DragGAN、ChatGPT、ImageBind、GPT-4 のようなマルチモーダルチャット、SAM、インタラクティブな画像編集などをサポートしています。igpt.opengvlab.com でお試しください。

OFA (ICML 2022) の公式リポジトリ。論文: OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

アプリ内でカスタムカメラビューを作成するために必要なすべての設定を提供するシンプルなSwiftクラス

画像データセット向けのタグマネージャーおよびキャプションツール

「Prismer: A Vision-Language Model with Multi-Task Experts」の実装

:fire: :fire: :fire: 最近の Computer Vision (CV) に関する論文リスト

LLM、ASR、TTS、OCR、CVなどの技術を搭載し、ライブ配信を行ったりMinecraftを一緒にプレイしたりできるAI VTuber

👁️ + 💬 + 🎧 = 🤖 厳選された主要な基盤モデルおよびマルチモーダルモデルのリスト！[論文 + コード + サンプル + チュートリアル]

視覚言語モデル（Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V）用のComfyUIノード。さらに、オープン語彙検出、SAM2/SAM3セグメンテーション、動画の時間的推論、llama.cppによるGGUF、ホスト型LLM/VLM APIに対応。

[CVPR 2021] VirTex: テキストアノテーションからの視覚的表現の学習