image-captioning

LAVIS - 一站式語言視覺智慧函式庫

Keras 模型用於從手繪網站模型生成 HTML 代碼。實現了圖像標題架構以處理繪製的源圖像。

InternGPT (iGPT) 是一個開源演示平台，您可以輕鬆展示 AI 模型。現在支持 DragGAN、ChatGPT、ImageBind、多模態聊天如 GPT-4、SAM、互動圖像編輯等。試試 igpt.opengvlab.com（支持 DragGAN、ChatGPT、ImageBind、SAM 的線上 Demo 系統）

OFA (ICML 2022) 官方儲存庫。論文：OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

簡單的 Swift 類別，提供在應用程式中建立自訂相機檢視所需的所有設定

影像資料集的標籤管理器與說明文字產生器

「Prismer: A Vision-Language Model with Multi-Task Experts」的實作。

:fire: :fire: :fire: 近期電腦視覺 (CV) 相關論文清單

結合 LLM、ASR、TTS、OCR、CV 等技術的 AI VTuber，可與你直播或遊玩 Minecraft。

👁️ + 💬 + 🎧 = 🤖 精選頂級基礎與多模態模型列表！[論文 + 程式碼 + 範例 + 教學]

用於視覺語言模型的 ComfyUI 節點：Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V。另支援開放詞彙檢測、SAM2/SAM3 分割、影片時序推理、透過 llama.cpp 的 GGUF 以及託管式 LLM/VLM API。

[CVPR 2021] VirTex：從文字註釋中學習視覺表徵。