#video-understanding Repositories
Entdecke 51 aktive Open-Source-GitHub-Repositories, die mit #video-understanding getaggt sind und insgesamt 114,089 Sterne gesammelt haben (durchschnittlich 2,237 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist QwenLM/Qwen3-VL mit 20,240 Sternen.
Insgesamt 51 Repositories
Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
PySlowFast: Video-Verständnis-Codebase von FAIR zur Reproduktion von State-of-the-Art-Video-Modellen.
Large World Model -- Modellierung von Text und Video mit Millionen von Kontexten
OpenMMLabs' Werkzeugkasten und Benchmark der nächsten Generation für Videoverständnis
PyTorch-Code und Modelle für das selbstüberwachte Lernen aus Videos mit VJEPA2.
One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben
VILA ist eine Familie hochmoderner Vision-Language-Models (VLMs) für vielfältige multimodale KI-Aufgaben im Edge-, Rechenzentrums- und Cloud-Bereich.
Eine Deep-Learning-Bibliothek für die Erforschung des Videoverständnisses.
[CVPR2024 Highlight][VideoChatGPT] ChatGPT mit Video-Verständnis! Und viele weitere unterstützte LMs wie miniGPT4, StableLM und MOSS.
🔥🔥🔥 [IEEE TCSVT] Neueste Arbeiten, Codes und Datensätze zu Vid-LLMs.
Eine Datengenerierungspipeline zur Erstellung von semi-realistischen synthetischen Multi-Objekt-Videos mit reichhaltigen Annotationen wie Instanzsegmentierungsmasken, Tiefenkarten und optischem Fluss.
Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!
GLM-4.6V/4.5V/4.1V-Denken: Auf dem Weg zu vielseitigem multimodalen Schlussfolgern mit skalierbarer Verstärkungslernmethode
[ICCV 2019] TSM: Temporal Shift Module für effizientes Video-Verständnis
[EMNLP2026] „VideoAgent: Ein ganzheitliches agentisches Framework zum Verstehen, Bearbeiten und Neugestalten von Videos“
Die NVIDIA AI Blueprint für Videosuche und -zusammenfassung (VSS) ist eine GPU-beschleunigte Referenzarchitektur zum Erstellen von Videoanalyse-Agenten mit Echtzeit-verifizierten Warnmeldungen, visuellen Frage-Antwort-Funktionen und automatisierten Berichten. Die VSS Blueprint verwendet visuelle Sprachmodelle (VLM) wie NVIDIA Cosmos, LLMs wie NVIDIA Nemotron, RAG und NVIDIA NIM.
Beeindruckende Toolkits für Videoverständnis, die auf PaddlePaddle basieren. Sie unterstützen Tools zur Annotation von Videodaten, leichtgewichtige RGB- und skelettbasierte Modelle zur Aktionserkennung sowie praktische Anwendungen für Video-Tagging und die Erkennung von Sportaktionen.
Ein natives, vereinheitlichtes multimodales Modell mit 3 Milliarden aktiven Parametern für das Verständnis, die Generierung und die Bearbeitung von Bildern und Videos.
awesome grounding: Eine kuratierte Liste von Forschungsarbeiten im visuellen Grounding
:fire: :fire: :fire: Eine Papiere-Liste einiger neuerer Arbeiten im Bereich Computer Vision (CV)
Dieses Repository ist dazu gedacht, Tools und Demos für ActivityNet zu hosten.
[CVPR 2024 Highlight🔥] Chat-UniVi: Unified Visual Representation Ermöglicht großen Sprachmodellen das Verstehen von Bildern und Videos
Offene multimodale Entscheidungsmodelle mit 0,8B bis 27B Parametern für Text, Bilder und Videos. Treffen Sie Entscheidungen anhand von Wahrscheinlichkeiten für eigene Kandidaten und lokalisieren Sie Objekte mit Begrenzungsrahmen, statt Text zu generieren. Kostenlose API, ONNX, GGUF, vLLM und SGLang; Fine-Tuning-Code enthalten.
Video-R1: Verstärkung der Videobegründung in MLLMs [🔥das erste Paper, das R1 für Videos erforscht]
Aktuelle LLM-basierte CV- und verwandte Arbeiten. Kommentare/Beiträge sind willkommen!
LLaMA-VID: Ein Bild ist 2 Token in großen Sprachmodellen wert (ECCV 2024)
Eine 11B-Modellreihe mit offenen Gewichten zum Verstehen von Langform- und Echtzeitvideos
Offizielle Implementierung von UnifiedReward & [NeurIPS 2025] UnifiedReward-Think & UnifiedReward-Flex
Offizielles Repository und Implementierung der Evaluierung von VSI-Bench
[CVPR 2023] VideoMAE V2: Skalierung von Video Masked Autoencoders mit Dual Masking
VideoLLM-online: Online Large Language Model für Streaming-Videos (CVPR 2024)
Das offizielle Repository für „Vidi: Große multimodale Modelle für Video-Verständnis und -Bearbeitung“
Offizieller Code für das Goldfish-Modell für das Verständnis langer Videos und MiniGPT4-Video für das Verständnis kurzer Videos
LaVIT: Befähigung großer Sprachmodelle zum Verstehen und Generieren von visuellen Inhalten
Gib KI-Agenten Augen, Ohren und überprüfbare Ergebnisse. Watch Skill macht aus Videos, Audio und Bildschirmaktivitäten durchsuchbare, mit Zeitstempeln versehene Belege und weist Arbeit anhand deterministischer Verträge nach – nicht anhand von Modellmeinungen. DeepWatch ist der auf DeepSeek Harness basierende Arbeitsbereich für Agenten. Python + npm, MCP, CLI, REST, Web.
Eine Sammlung von Papieren, Codes, Datensätzen, Benchmarks und Ressourcen zum multimodalen Denken.
Temporale Aktionserkennung & Schwach überwachter temporaler Aktionserkennung & Generierung temporaler Aktionsvorschläge
ComfyUI-Nodes für Vision-Language-Modelle: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Sowie Open-Vocabulary-Erkennung, SAM2/SAM3-Segmentierung, zeitliche Videobetrachtung, GGUF via llama.cpp und gehostete LLM/VLM-APIs.
Szenenbewusstes Storyboard für DeepSeek Harness: 9–16 nummerierte Felder mit Zeitstempeln + Transkript + Audiohüllkurve, gebündelt in EINEM Bild (384 Token). Zwei Tools: video_storyboard und video_zoom.
Offizielle Pytorch-Implementierung für „DINO-Tracker: DINO zur selbstüberwachten Punktverfolgung in einem einzelnen Video im Griff“ (ECCV 2024)
Häufig gestellte Fragen
Welches ist das beliebteste #video-understanding-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#video-understanding-Projekt auf GitHub ist QwenLM/Qwen3-VL mit 20,240 Sternen. Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
Welche Programmiersprachen werden in #video-understanding-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #video-understanding-Projekten auf GitHub sind Python, Jupyter Notebook, C++, JavaScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #video-understanding-Repositories berechnet?
Wir verfolgen 51 aktive Open-Source-Repositories, die mit #video-understanding getaggt sind (500+ Sterne), mit insgesamt 114,089 Sternen und durchschnittlich 2,237 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.