clip

X-AnyLabeling：轻量、高效、统一的跨平台桌面标注应用，支持文字、图像、视频与多模态数据，结合多功能内置工具、最先进 AI 模型与灵活多格式导出

中文版本的 CLIP，实现中文跨模态检索与表征生成。

开源无 App 推送服务，iOS14+ 二维码即用；亦支持快应用/iOS 与 Mac 客户端、Android 客户端、自制设备

开源大型多模态模型评估工具包，支持220+ LMMs与80+基准测试

OpenMMLab 预训练工具箱与基准测试

中文 NLP 解决方案（大模型、数据、模型、训练、推理）

用於視覺任務的精選視覺語言模型合集

使用 BLIP 与 CLIP 将图像转为提示

轻松计算 clip embeddings 并使用它们构建 clip 检索系统

🥂 利用多模态大型语言模型优雅地应对 hCaptcha 验证。

Cambrian-1 是一个采用视觉中心设计的多模态 LLM 系列。

Android UI 快速开发，专治原生控件各种不服

任何想要实验并基于 OpenAI vision API 者的必备资源 🔥

为任何安全摄像头新增对象检测、追踪、移动通知与搜索功能。

[ACL 2024 🔥] Video-ChatGPT 是一个能够针对视频生成有意义对话的视频对话模型。它结合了 LLM 的能力与适应时空视频表示的预训练视觉编码器。我们也为基于视频的对话模型引入了严格的“量化评估基准”。

袖珍型多模态 AI，用于跨多语言文字、图片和视频的内容理解与生成，速度比 OpenAI CLIP 和 LLaVA 快达 5 倍

关于 CLIP（对比语言—图像预训练）研究的 Awesome 资源列表。

本系列将带领您从 NLP 与 Computer Vision 的基础，一路探索至 Vision-Language Models 的尖端技术。

「CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval」的官方实现

🔥🔥🔥Java免费离线AI算法工具箱，支持人脸识别、活体检测、表情识别、目标检测、实例分割、行人检测、OCR文字识别、车牌识别、表格识别、ASR+TTS、机器翻译等功能，Maven引用即可使用。支持PyTorch、Tensorflow，已集成 Mtcnn、InsightFace、SeetaFace6、YOLOv8~v12、PaddleOCR(PPOCRv5)、Whisper等主流模型

CLIP + FFT/DWT/RGB = 文字转图像/视频

新一代具备强大细粒度判别能力的 CLIP，ICML2026 与 ICML2025

Paddle 多模态整合与探索，支持主流多模态任务，包含端到端大型多模态预训练模型与扩散模型工具箱。具备高性能与灵活性。

TrailSnap (行影集) | AI 驱动的开源相簿工具，珍藏旅行与生活点滴。

视觉语言模型论文与模型的顶级前端收集与调查 GitHub 仓库。持续更新中。

LLM2CLIP 显著提升了原本已属顶尖的 CLIP 模型。

Twitch 直播、视频与剪辑下载／录制器。此图形界面下载器可协助你下载与录制 Twitch 视频，包含直播与 VOD。

使用多张 GPU 从原始视频中提取视频特征。支持 RAFT 光流帧，以及 S3D、I3D、R(2+1)D、VGGish、CLIP 与 TIMM 模型。

👁️ + 💬 + 🎧 = 🤖 精选顶级基础与多模态模型列表！[论文 + 代码 + 示例 + 教程]

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, 别名 kecam