image-captioning

LAVIS - Uma biblioteca completa para inteligência de linguagem e visão

Modelo Keras para gerar código HTML a partir de mockups de sites desenhados à mão. Implementa uma arquitetura de legendagem de imagens para as imagens de origem desenhadas.

InternGPT (iGPT) é uma plataforma de demonstração de código aberto onde você pode exibir facilmente seus modelos de IA. Agora suporta DragGAN, ChatGPT, ImageBind, chat multimodal como GPT-4, SAM, edição interativa de imagens, etc. Experimente em igpt.opengvlab.com.

Repositório oficial do OFA (ICML 2022). Artigo: OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

Classe Swift simples para fornecer todas as configurações necessárias para criar uma visualização de câmera personalizada em seu aplicativo.

Gerenciador de tags e legendas para conjuntos de dados de imagens

Implementação de "Prismer: A Vision-Language Model with Multi-Task Experts".

Lista de artigos de trabalhos recentes em Visão Computacional (CV)

AI VTuber com LLM, ASR, TTS, OCR, CV e mais tecnologias para fazer transmissão ao vivo ou jogar Minecraft com você.

👁️ + 💬 + 🎧 = 🤖 Lista selecionada dos principais modelos de fundação e multimodais! [Artigo + Código + Exemplos + Tutoriais]

Nós do ComfyUI para modelos de visão-linguagem: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclui detecção de vocabulário aberto, segmentação SAM2/SAM3, raciocínio temporal de vídeo, GGUF via llama.cpp e APIs de LLM/VLM hospedadas.

[CVPR 2021] VirTex: Aprendendo Representações Visuais a partir de Anotações Textuais