Git Stars Git Stars

#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.

51
Gesamtzahl der Repositories
114,089
Gesamtanzahl der Sterne
2,237
Durchschnittliche Sterne/Repo

Insgesamt 51 Repositories

1
QwenLM/Qwen3-VL

Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.

QwenLM
⭐ 20,240 Jupyter Notebook 👤 QwenLM Organization 🕐 Aktualisiert 2026-01-30 📅 Erstellt 2024-08-29
2
facebookresearch/SlowFast

PySlowFast: Video-Verständnis-Codebase von FAIR zur Reproduktion von State-of-the-Art-Video-Modellen.

facebookresearch
⭐ 7,447 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-03-16 📅 Erstellt 2019-08-20
3
LargeWorldModel/LWM

Large World Model -- Modellierung von Text und Video mit Millionen von Kontexten

LargeWorldModel
⭐ 7,391 Python 👤 LargeWorldModel Organization 🕐 Aktualisiert 2024-10-19 📅 Erstellt 2024-02-08
4
open-mmlab/mmaction2

OpenMMLabs' Werkzeugkasten und Benchmark der nächsten Generation für Videoverständnis

open-mmlab
⭐ 5,203 Python 👤 open-mmlab Organization 🕐 Aktualisiert 2026-03-18 📅 Erstellt 2020-07-11
5
facebookresearch/vjepa2

PyTorch-Code und Modelle für das selbstüberwachte Lernen aus Videos mit VJEPA2.

facebookresearch
⭐ 4,911 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-10-29 📅 Erstellt 2025-04-25
7
EvolvingLMMs-Lab/lmms-eval

One-for-All Multimodales Evaluations-Toolkit für Text-, Bild-, Video- und Audio-Aufgaben

EvolvingLMMs-Lab
⭐ 4,501 Python 👤 EvolvingLMMs-Lab Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2024-03-07
8
NVlabs/VILA

VILA ist eine Familie hochmoderner Vision-Language-Models (VLMs) für vielfältige multimodale KI-Aufgaben im Edge-, Rechenzentrums- und Cloud-Bereich.

NVlabs
⭐ 3,873 Python 👤 NVlabs Organization 🕐 Aktualisiert 2026-03-12 📅 Erstellt 2024-02-23
9
facebookresearch/pytorchvideo

Eine Deep-Learning-Bibliothek für die Erforschung des Videoverständnisses.

facebookresearch
⭐ 3,568 Python 👤 facebookresearch Organization 🕐 Aktualisiert 2026-10-16 📅 Erstellt 2021-03-09
10
OpenGVLab/Ask-Anything

[CVPR2024 Highlight][VideoChatGPT] ChatGPT mit Video-Verständnis! Und viele weitere unterstützte LMs wie miniGPT4, StableLM und MOSS.

OpenGVLab
⭐ 3,361 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2026-07-17 📅 Erstellt 2023-04-19
11
yoloytang/Awesome-LLMs-for-Video-Understanding

🔥🔥🔥 [IEEE TCSVT] Neueste Arbeiten, Codes und Datensätze zu Vid-LLMs.

yoloytang
⭐ 3,310 👤 yoloytang User 🕐 Aktualisiert 2026-11-11 📅 Erstellt 2023-07-16
12
google-research/kubric

Eine Datengenerierungspipeline zur Erstellung von semi-realistischen synthetischen Multi-Objekt-Videos mit reichhaltigen Annotationen wie Instanzsegmentierungsmasken, Tiefenkarten und optischem Fluss.

google-research
⭐ 2,859 Jupyter Notebook 👤 google-research Organization 🕐 Aktualisiert 2026-05-21 📅 Erstellt 2020-07-22
13
OpenGVLab/InternVideo

[ECCV2024] Videogrundlagenmodelle & Daten für multimodales Verständnis

OpenGVLab
⭐ 2,421 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2026-07-02 📅 Erstellt 2022-11-23
14
facebookresearch/perception_models

Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!

facebookresearch
⭐ 2,415 Jupyter Notebook 👤 facebookresearch Organization 🕐 Aktualisiert 2026-04-13 📅 Erstellt 2025-04-16
15
zai-org/GLM-V

GLM-4.6V/4.5V/4.1V-Denken: Auf dem Weg zu vielseitigem multimodalen Schlussfolgern mit skalierbarer Verstärkungslernmethode

zai-org
⭐ 2,406 Python 👤 zai-org Organization 🕐 Aktualisiert 2026-11-06 📅 Erstellt 2025-06-28
16
mit-han-lab/temporal-shift-module

[ICCV 2019] TSM: Temporal Shift Module für effizientes Video-Verständnis

mit-han-lab
⭐ 2,167 Python 👤 mit-han-lab Organization 🕐 Aktualisiert 2024-07-11 📅 Erstellt 2019-03-27
17
HKUDS/VideoAgent

[EMNLP2026] „VideoAgent: Ein ganzheitliches agentisches Framework zum Verstehen, Bearbeiten und Neugestalten von Videos“

HKUDS
⭐ 2,059 Python 👤 HKUDS Organization 🕐 Aktualisiert 2026-07-22 📅 Erstellt 2025-07-16
18
NVIDIA-AI-Blueprints/video-search-and-summarization

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.

NVIDIA-AI-Blueprints
⭐ 2,003 Python 👤 NVIDIA-AI-Blueprints Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2024-10-22
⭐ 1,795 Python 👤 microsoft Organization 🕐 Aktualisiert 2026-11-02 📅 Erstellt 2026-06-15
20
PaddlePaddle/PaddleVideo

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.

PaddlePaddle
⭐ 1,698 Python 👤 PaddlePaddle Organization 🕐 Aktualisiert 2025-02-12 📅 Erstellt 2020-11-12
21
bytedance/SALMONN

SALMONN-Familie: Eine Suite fortschrittlicher multimodaler LLMs

bytedance
⭐ 1,576 👤 bytedance Organization 🕐 Aktualisiert 2026-10-16 📅 Erstellt 2023-08-11
22
bytedance/Lance

Ein natives, vereinheitlichtes multimodales Modell mit 3 Milliarden aktiven Parametern für das Verständnis, die Generierung und die Bearbeitung von Bildern und Videos.

bytedance
⭐ 1,370 Python 👤 bytedance Organization 🕐 Aktualisiert 2026-07-14 📅 Erstellt 2026-05-15
23
DAMO-NLP-SG/VideoLLaMA3

Frontier Multimodale Basismodelle für Bild- und Videoverständnis

DAMO-NLP-SG
⭐ 1,174 Jupyter Notebook 👤 DAMO-NLP-SG Organization 🕐 Aktualisiert 2025-08-14 📅 Erstellt 2025-01-19
24
TheShadow29/awesome-grounding

awesome grounding: Eine kuratierte Liste von Forschungsarbeiten im visuellen Grounding

TheShadow29
⭐ 1,132 👤 TheShadow29 User 🕐 Aktualisiert 2026-10-16 📅 Erstellt 2018-09-03
25
mit-han-lab/streaming-vlm

StreamingVLM: Echtzeit-Verständnis für unendliche Videostreams

mit-han-lab
⭐ 1,095 Python 👤 mit-han-lab Organization 🕐 Aktualisiert 2025-10-15 📅 Erstellt 2025-10-11
26
OpenGVLab/VideoMamba

[ECCV2024] VideoMamba: Zustandsraummodell für effizientes Video-Verständnis

OpenGVLab
⭐ 1,052 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2024-07-06 📅 Erstellt 2024-03-11
27
cuixing158/Awesome-CV-MasterHub

:fire: :fire: :fire: Eine Papiere-Liste einiger neuerer Arbeiten im Bereich Computer Vision (CV)

cuixing158
⭐ 986 👤 cuixing158 User 🕐 Aktualisiert 2026-11-08 📅 Erstellt 2025-02-14
28
activitynet/ActivityNet

Dieses Repository ist dazu gedacht, Tools und Demos für ActivityNet zu hosten.

activitynet
⭐ 965 Jupyter Notebook 👤 activitynet Organization 🕐 Aktualisiert 2024-03-21 📅 Erstellt 2015-10-23
29
PKU-YuanGroup/Chat-UniVi

[CVPR 2024 Highlight🔥] Chat-UniVi: Unified Visual Representation Ermöglicht großen Sprachmodellen das Verstehen von Bildern und Videos

PKU-YuanGroup
⭐ 943 Python 👤 PKU-YuanGroup Organization 🕐 Aktualisiert 2024-10-16 📅 Erstellt 2023-11-13
30
Valen-Team/Valen

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.

Valen-Team
⭐ 932 Python 👤 Valen-Team Organization 🕐 Aktualisiert 2026-11-15 📅 Erstellt 2026-09-23
31
tulerfeng/Video-R1

Video-R1: Verstärkung der Videobegründung in MLLMs [🔥das erste Paper, das R1 für Videos erforscht]

tulerfeng
⭐ 900 Python 👤 tulerfeng User 🕐 Aktualisiert 2025-12-14 📅 Erstellt 2025-02-22
32
DirtyHarryLYL/LLM-in-Vision

Aktuelle LLM-basierte CV- und verwandte Arbeiten. Kommentare/Beiträge sind willkommen!

DirtyHarryLYL
⭐ 868 👤 DirtyHarryLYL User 🕐 Aktualisiert 2025-03-08 📅 Erstellt 2023-03-10
33
dvlab-research/LLaMA-VID

LLaMA-VID: Ein Bild ist 2 Token in großen Sprachmodellen wert (ECCV 2024)

JIA-Lab-research
⭐ 854 Python 👤 JIA-Lab-research Organization 🕐 Aktualisiert 2024-07-29 📅 Erstellt 2023-11-28
34
OpenMOSS/MOSS-VL

Eine 11B-Modellreihe mit offenen Gewichten zum Verstehen von Langform- und Echtzeitvideos

OpenMOSS
⭐ 838 C++ 👤 OpenMOSS Organization 🕐 Aktualisiert 2026-10-14 📅 Erstellt 2026-04-08
35
CodeGoat24/UnifiedReward

Offizielle Implementierung von UnifiedReward & [NeurIPS 2025] UnifiedReward-Think & UnifiedReward-Flex

CodeGoat24
⭐ 831 Python 👤 CodeGoat24 User 🕐 Aktualisiert 2026-06-18 📅 Erstellt 2025-03-04
37
vision-x-nyu/thinking-in-space

Offizielles Repository und Implementierung der Evaluierung von VSI-Bench

vision-x-nyu
⭐ 734 Python 👤 vision-x-nyu Organization 🕐 Aktualisiert 2025-08-05 📅 Erstellt 2024-12-14
38
OpenGVLab/VideoMAEv2

[CVPR 2023] VideoMAE V2: Skalierung von Video Masked Autoencoders mit Dual Masking

OpenGVLab
⭐ 730 Python 👤 OpenGVLab Organization 🕐 Aktualisiert 2024-10-08 📅 Erstellt 2023-04-04
39
showlab/videollm-online

VideoLLM-online: Online Large Language Model für Streaming-Videos (CVPR 2024)

showlab
⭐ 690 Python 👤 showlab Organization 🕐 Aktualisiert 2025-11-26 📅 Erstellt 2024-06-17
40
magic-research/PLLaVA

Offizielles Repository für das Paper PLLaVA

magic-research
⭐ 676 Python 👤 magic-research Organization 🕐 Aktualisiert 2024-07-28 📅 Erstellt 2024-04-18
41
bytedance/vidi

Das offizielle Repository für „Vidi: Große multimodale Modelle für Video-Verständnis und -Bearbeitung“

bytedance
⭐ 662 Python 👤 bytedance Organization 🕐 Aktualisiert 2026-08-03 📅 Erstellt 2025-02-08
43
Vision-CAIR/MiniGPT4-video

Offizieller Code für das Goldfish-Modell für das Verständnis langer Videos und MiniGPT4-Video für das Verständnis kurzer Videos

Vision-CAIR
⭐ 637 Python 👤 Vision-CAIR Organization 🕐 Aktualisiert 2024-12-10 📅 Erstellt 2024-03-23
44
jy0205/LaVIT

LaVIT: Befähigung großer Sprachmodelle zum Verstehen und Generieren von visuellen Inhalten

jy0205
⭐ 601 Jupyter Notebook 👤 jy0205 User 🕐 Aktualisiert 2024-10-06 📅 Erstellt 2023-09-09
45
oxbshw/watch-skill

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.

oxbshw
⭐ 599 Python 👤 oxbshw User 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2026-07-05
46
lwpyh/Awesome-MLLM-Reasoning-Collection

Eine Sammlung von Papieren, Codes, Datensätzen, Benchmarks und Ressourcen zum multimodalen Denken.

lwpyh
⭐ 598 👤 lwpyh User 🕐 Aktualisiert 2026-04-01 📅 Erstellt 2025-03-16
47
zhenyingfang/Awesome-Temporal-Action-Detection-Temporal-Action-Proposal-Generation

Temporale Aktionserkennung & Schwach überwachter temporaler Aktionserkennung & Generierung temporaler Aktionsvorschläge

zhenyingfang
⭐ 597 👤 zhenyingfang User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2020-03-09
48
gokayfem/ComfyUI_VLM_nodes

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.

gokayfem
⭐ 592 Python 👤 gokayfem User 🕐 Aktualisiert 2026-08-08 📅 Erstellt 2024-01-24
49
SAOS-3624/dsh-video-storyboard

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.

SAOS-3624
⭐ 585 JavaScript 👤 SAOS-3624 User 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2026-10-26
50
AssafSinger94/dino-tracker

Offizielle Pytorch-Implementierung für „DINO-Tracker: DINO zur selbstüberwachten Punktverfolgung in einem einzelnen Video im Griff“ (ECCV 2024)

AssafSinger94
⭐ 543 Python 👤 AssafSinger94 User 🕐 Aktualisiert 2024-11-23 📅 Erstellt 2024-04-03

Häufig gestellte Fragen

1

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.

2

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.

3

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.