#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 repositorios en total
Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.
PySlowFast: base de código de comprensión de video de FAIR para reproducir modelos de video de vanguardia.
La Caja de Herramientas y el Benchmark de Próxima Generación de OpenMMLab para la Comprensión de Vídeos
Código y modelos de PyTorch para el aprendizaje autosupervisado de video VJEPA2.
Kit de evaluación multimodal One-for-All para tareas de texto, imagen, video y audio
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.
Una biblioteca de aprendizaje profundo para la investigación sobre la comprensión de video.
[CVPR2024 Highlight][VideoChatGPT] ¡ChatGPT con comprensión de video! Y muchos más LM compatibles como miniGPT4, StableLM y MOSS.
🔥🔥🔥 [IEEE TCSVT] Últimos artículos, códigos y conjuntos de datos sobre Vid-LLMs.
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.
[ECCV2024] Modelos Fundamentales de Video y Datos para la Comprensión Multimodal
¡Modelos CLIP" de última generación para imágenes y vídeos, grandes modelos de lenguaje multimodales y mucho más!
GLM-4.6V/4.5V/4.1V-Pensamiento: Hacia el Razonamiento Multimodal Versátil con Aprendizaje por Refuerzo Escalable
[ICCV 2019] TSM: Módulo de Desplazamiento Temporal para una Comprensión Eficiente de Vídeos
[EMNLP2026] «VideoAgent: Marco agéntico todo en uno para la comprensión, edición y recreación de videos»
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.
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.
Un modelo multimodal unificado nativo de 3 mil millones de parámetros activos para la comprensión, generación y edición de imágenes y vídeos.
Modelos Fundacionales Multimodales de Vanguardia para la Comprensión de Imágenes y Videos
awesome grounding: Una lista curada de artículos de investigación en grounding visual
StreamingVLM: Comprensión en tiempo real para flujos de video infinitos
[ECCV2024] VideoMamba: Modelo de espacio de estados para una comprensión de vídeo eficiente
:fire: :fire: :fire: Una lista de artículos sobre algunos trabajos recientes de Visión por Computadora (CV)
Este repositorio está destinado a alojar herramientas y demostraciones para ActivityNet.
[CVPR 2024 Highlight🔥] Chat-UniVi: La representación visual unificada potencia los modelos de lenguaje grandes con la comprensión de imágenes y videos
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.
Video-R1: Fortalecimiento del Razonamiento de Video en MLLMs [🔥el primer artículo en explorar R1 para video]
Trabajos recientes basados en LLM en CV y relacionados. ¡Bienvenido a comentar/contribuir!
LLaMA-VID: Una imagen vale 2 tokens en modelos de lenguaje grandes (ECCV 2024)
Una serie de modelos de 11B con pesos abiertos para la comprensión de videos de larga duración y en tiempo real
Implementación oficial de UnifiedReward y [NeurIPS 2025] UnifiedReward-Think y UnifiedReward-Flex
[CVPR 2023] VideoMAE V2: Escalando Autoencoders Enmascarados de Vídeo con Doble Enmascaramiento
VideoLLM-online: Large Language Model en línea para video en streaming (CVPR 2024)
El repositorio oficial de "Vidi: Modelos Multimodales Grandes para la Comprensión y Edición de Video"
Código oficial para el modelo Goldfish para la comprensión de videos largos y MiniGPT4-video para la comprensión de videos cortos
LaVIT: Empoderar al modelo de lenguaje grande para comprender y generar contenido visual
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.
Una colección de artículos, códigos, conjuntos de datos, puntos de referencia (benchmarks) y recursos sobre razonamiento multimodal.
Detección de acciones temporales y Detección de acciones temporales débilmente supervisada y Generación de propuestas de acciones temporales
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.
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.
Implementación oficial de Pytorch para “DINO-Tracker: Domando DINO para el seguimiento de puntos autosupervisado en un solo video” (ECCV 2024)
Preguntas frecuentes
¿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.
¿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.
¿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.