Git Stars Git Stars

#video-understanding Repositorios

Descubre 51 repositorios activos de código abierto de GitHub etiquetados con #video-understanding, que acumulan 114,089 estrellas en total (una media de 2,237 estrellas por proyecto). El líder de este tema es QwenLM/Qwen3-VL, con 20,240 estrellas.

51
Total de Repositorios
114,089
Total de estrellas
2,237
Promedio de Estrellas/Repo

51 repositorios en total

1
QwenLM/Qwen3-VL

Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.

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

PySlowFast: base de código de comprensión de video de FAIR para reproducir modelos de video de vanguardia.

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

Large World Model -- Modelado de texto y video con millones de contextos

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

La Caja de Herramientas y el Benchmark de Próxima Generación de OpenMMLab para la Comprensión de Vídeos

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

Código y modelos de PyTorch para el aprendizaje autosupervisado de video VJEPA2.

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

Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio

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

VILA es una familia de modelos de lenguaje de visión (VLM) de última generación para diversas tareas de IA multimodal en el borde, centros de datos y la nube.

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

Una biblioteca de aprendizaje profundo para la investigación sobre la comprensión de video.

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

[CVPR2024 Highlight][VideoChatGPT] ¡ChatGPT con comprensión de video! Y muchos más LM compatibles como miniGPT4, StableLM y MOSS.

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

🔥🔥🔥 [IEEE TCSVT] Últimos artículos, códigos y conjuntos de datos sobre Vid-LLMs.

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

Una canalización de generación de datos para crear videos sintéticos semi-realistas de múltiples objetos con anotaciones ricas como máscaras de segmentación de instancias, mapas de profundidad y flujo óptico.

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

[ECCV2024] Modelos Fundamentales de Video y Datos para la Comprensión Multimodal

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

¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!

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

GLM-4.6V/4.5V/4.1V-Pensamiento: Hacia el Razonamiento Multimodal Versátil con Aprendizaje por Refuerzo Escalable

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

[ICCV 2019] TSM: Módulo de Desplazamiento Temporal para una Comprensión Eficiente de Vídeos

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

[EMNLP2026] «VideoAgent: Marco agéntico todo en uno para la comprensión, edición y recreación de videos»

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

El Blueprint de IA de NVIDIA para búsqueda y resumen de video (VSS) es una arquitectura de referencia acelerada por GPU para construir agentes de análisis de video con alertas verificadas en tiempo real, preguntas y respuestas visuales, e informes automatizados. El Blueprint VSS utiliza modelos de lenguaje visual (VLM) como NVIDIA Cosmos, LLM como NVIDIA Nemotron, RAG y NVIDIA NIM.

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

Impresionantes kits de herramientas para la comprensión de video basados en PaddlePaddle. Admite herramientas de anotación de datos de video, modelos ligeros basados en RGB y esqueletos para el reconocimiento de acciones, y aplicaciones prácticas para etiquetado de video y detección de acciones deportivas.

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

Familia SALMONN: Un conjunto de LLM multimodales avanzados

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

Un modelo multimodal unificado nativo de 3 mil millones de parámetros activos para la comprensión, generación y edición de imágenes y vídeos.

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

Modelos Fundacionales Multimodales de Vanguardia para la Comprensión de Imágenes y Videos

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

awesome grounding: Una lista curada de artículos de investigación en grounding visual

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

StreamingVLM: Comprensión en tiempo real para flujos de video infinitos

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

[ECCV2024] VideoMamba: Modelo de espacio de estados para una comprensión de vídeo eficiente

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

:fire: :fire: :fire: Una lista de artículos sobre algunos trabajos recientes de Visión por Computadora (CV)

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

Este repositorio está destinado a alojar herramientas y demostraciones para ActivityNet.

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

[CVPR 2024 Highlight🔥] Chat-UniVi: La representación visual unificada potencia los modelos de lenguaje grandes con la comprensión de imágenes y videos

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

Modelos abiertos de decisión multimodal, de 0,8B a 27B, para texto, imágenes y vídeo. Decide asignando probabilidades a tus propios candidatos y localiza con cuadros delimitadores, en lugar de generar texto. API gratuita, ONNX, GGUF, vLLM y SGLang; incluye código de ajuste fino.

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

Video-R1: Fortalecimiento del Razonamiento de Video en MLLMs [🔥el primer artículo en explorar R1 para video]

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

Trabajos recientes basados en LLM en CV y relacionados. ¡Bienvenido a comentar/contribuir!

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

LLaMA-VID: Una imagen vale 2 tokens en modelos de lenguaje grandes (ECCV 2024)

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

Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real

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

Implementación oficial de UnifiedReward y [NeurIPS 2025] UnifiedReward-Think y UnifiedReward-Flex

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

Repositorio oficial e implementación de evaluación de VSI-Bench

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

[CVPR 2023] VideoMAE V2: Escalando Autoencoders Enmascarados de Vídeo con Doble Enmascaramiento

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

VideoLLM-online: Large Language Model en línea para video en streaming (CVPR 2024)

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

Repositorio oficial para el artículo PLLaVA

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

El repositorio oficial de "Vidi: Modelos Multimodales Grandes para la Comprensión y Edición de Video"

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

Código oficial para el modelo Goldfish para la comprensión de videos largos y MiniGPT4-video para la comprensión de videos cortos

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

LaVIT: Empoderar al modelo de lenguaje grande para comprender y generar contenido visual

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

Dota a los agentes de IA de ojos, oídos y resultados verificables. Watch Skill convierte el vídeo, el audio y la actividad de pantalla en pruebas con marcas de tiempo y fáciles de buscar, y demuestra el trabajo mediante contratos deterministas, no opiniones del modelo. DeepWatch es el espacio de trabajo para agentes basado en DeepSeek Harness. Python + npm, MCP, CLI, REST y Web.

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

Una colección de artículos, códigos, conjuntos de datos, puntos de referencia (benchmarks) y recursos sobre razonamiento multimodal.

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

Detección de acciones temporales y Detección de acciones temporales débilmente supervisada y Generación de propuestas de acciones temporales

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

Nodos de ComfyUI para modelos de visión-lenguaje: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Además de detección de vocabulario abierto, segmentación SAM2/SAM3, razonamiento temporal de video, GGUF a través de llama.cpp y APIs de LLM/VLM alojadas.

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

Guion gráfico con reconocimiento de escenas para DeepSeek Harness: de 9 a 16 celdas numeradas con marcas de tiempo + transcripción + envolvente de audio, todo en UNA sola imagen (384 tokens). Dos herramientas: video_storyboard y video_zoom.

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

Implementación oficial de Pytorch para “DINO-Tracker: Domando DINO para el seguimiento de puntos autosupervisado en un solo video” (ECCV 2024)

AssafSinger94
⭐ 543 Python 👤 AssafSinger94 User 🕐 Actualizado 2024-11-23 📅 Creado 2024-04-03

Preguntas frecuentes

1

¿Cuál es el repositorio de #video-understanding más popular en GitHub?

El proyecto de código abierto de #video-understanding mejor posicionado en GitHub es QwenLM/Qwen3-VL, con 20,240 estrellas. Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #video-understanding?

Entre los proyectos de #video-understanding mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, JavaScript.

3

¿Cómo se calcula la clasificación de los repositorios de #video-understanding?

Seguimos 51 repositorios activos de código abierto etiquetados con #video-understanding (500+ estrellas), que suman un total de 114,089 estrellas, con una media de 2,237 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.