#video-understanding Dépôts
Découvrez 51 dépôts GitHub open source actifs associés à #video-understanding, cumulant 114,089 étoiles au total (soit une moyenne de 2,237 étoiles par projet). Le projet en tête de ce thème est QwenLM/Qwen3-VL, avec 20,240 étoiles.
51 dépôts au total
Qwen3-VL est la série de grands modèles linguistiques multimodaux développée par l'équipe Qwen d'Alibaba Cloud.
PySlowFast : codebase de compréhension vidéo de FAIR pour reproduire les modèles vidéo de pointe.
Large World Model -- Modélisation de texte et de vidéo avec des millions de contextes
La boîte à outils et le benchmark de nouvelle génération d'OpenMMLab pour la compréhension vidéo
Code et modèles PyTorch pour l'apprentissage autorégressif VJEPA2 à partir de vidéos.
Boîte à outils d'évaluation multimodale One-for-All pour les tâches textuelles, d'images, de vidéos et audio
VILA est une famille de modèles de langage visuel (VLM) de pointe pour diverses tâches d'IA multimodales dans les environnements edge, de centre de données et cloud.
Une bibliothèque d'apprentissage profond pour la recherche sur la compréhension vidéo.
[CVPR2024 Highlight][VideoChatGPT] ChatGPT avec compréhension vidéo ! Et de nombreux autres LM pris en charge tels que miniGPT4, StableLM et MOSS.
🔥🔥🔥 [IEEE TCSVT] Derniers articles, codes et ensembles de données sur les Vid-LLMs.
Un pipeline de génération de données pour créer des vidéos synthétiques semi-réalistes multi-objets avec des annotations riches telles que des masques de segmentation d'instance, des cartes de profondeur et un flux optique.
[ECCV2024] Modèles Fondamentaux Vidéo & Données pour la Compréhension Multimodale
Modèles CLIP" d'imagerie et de vidéo de pointe, grands modèles linguistiques multimodaux, et plus encore !
GLM-4.6V/4.5V/4.1V-Réflexion : Vers un raisonnement multimodal polyvalent grâce à l'apprentissage par renforcement évolutif
[ICCV 2019] TSM : Module de Décalage Temporel pour une Compréhension Vidéo Efficace
[EMNLP2026] « VideoAgent : cadre agentique tout-en-un pour la compréhension, l’édition et la recréation de vidéos »
Le plan d'IA NVIDIA pour la recherche et le résumé vidéo (VSS) est une architecture de référence accélérée par GPU pour construire des agents d'analyse vidéo avec des alertes vérifiées en temps réel, des questions-réponses visuelles et des rapports automatisés. Le plan VSS utilise des modèles de langage visuel (VLM) tels que NVIDIA Cosmos, des LLM tels que NVIDIA Nemotron, RAG et NVIDIA NIM.
Superbes boîtes à outils de compréhension vidéo basées sur PaddlePaddle. Il prend en charge les outils d'annotation de données vidéo, les modèles légers basés sur RVB et squelettiques pour la reconnaissance d'actions, les applications pratiques d'étiquetage vidéo et de détection d'actions sportives.
Un modèle multimodal unifié natif à 3 milliards de paramètres actifs pour la compréhension, la génération et l'édition d'images et de vidéos.
Modèles Fondamentaux Multimodaux de Pointe pour la Compréhension d'Images et de Vidéos
awesome grounding: Une liste curated de papiers de recherche en grounding visuel
[ECCV2024] VideoMamba : Modèle d'espace d'état pour une compréhension vidéo efficace
:fire: :fire: :fire: Une liste d'articles sur certains travaux récents en vision par ordinateur (CV)
Ce dépôt est destiné à héberger des outils et des démonstrations pour ActivityNet.
[CVPR 2024 Highlight🔥] Chat-UniVi : La représentation visuelle unifiée renforce les grands modèles linguistiques avec la compréhension d'images et de vidéos
Modèles ouverts de décision multimodale, de 0,8B à 27B, pour le texte, les images et la vidéo. Prenez des décisions en attribuant des probabilités à vos propres candidats et localisez avec des cadres de délimitation, plutôt que de générer du texte. API gratuite, ONNX, GGUF, vLLM et SGLang ; code de fine-tuning inclus.
Video-R1: Renforcer le Raisonnement Vidéo dans les MLLM [🔥le premier article à explorer R1 pour la vidéo]
Travaux récents basés sur les LLM en vision par ordinateur et connexes. Bienvenue pour commenter/contribuer !
LLaMA-VID : Une image vaut 2 jetons dans les grands modèles linguistiques (ECCV 2024)
Une série de modèles de 11B à poids ouverts pour la compréhension de vidéos longues et en temps réel
Implémentation officielle de UnifiedReward et [NeurIPS 2025] UnifiedReward-Think et UnifiedReward-Flex
[CVPR 2023] VideoMAE V2 : Mise à l'échelle des autoencodeurs masqués vidéo avec double masquage
VideoLLM-online : Modèle linguistique étendu en ligne pour la vidéo en streaming (CVPR 2024)
Le dépôt officiel pour « Vidi : Modèles multimodaux volumineux pour la compréhension et l'édition de vidéos »
Code officiel pour le modèle Goldfish pour la compréhension de longues vidéos et MiniGPT4-vidéo pour la compréhension de courtes vidéos
LaVIT : Permettre au grand modèle linguistique de comprendre et de générer du contenu visuel
Donnez aux agents d’IA des yeux, des oreilles et des résultats vérifiables. Watch Skill transforme les vidéos, l’audio et l’activité à l’écran en preuves horodatées et consultables, et atteste le travail à l’aide de contrats déterministes, et non des avis du modèle. DeepWatch est l’espace de travail pour agents conçu sur DeepSeek Harness. Python + npm, MCP, CLI, REST et Web.
Une collection d'articles, de codes, d'ensembles de données, de benchmarks et de ressources sur le raisonnement multimodal.
Détection d'action temporelle & Détection d'action temporelle faiblement supervisée & Génération de propositions d'action temporelle
Nœuds ComfyUI pour les modèles vision-langage : Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Inclut également la détection à vocabulaire ouvert, la segmentation SAM2/SAM3, le raisonnement temporel vidéo, GGUF via llama.cpp, et des API LLM/VLM hébergées.
Storyboard sensible aux scènes pour DeepSeek Harness : de 9 à 16 cases numérotées avec horodatages + transcription + enveloppe audio, réunies dans UNE seule image (384 tokens). Deux outils : video_storyboard et video_zoom.
Implémentation officielle de Pytorch pour « DINO-Tracker : Dompter DINO pour le suivi de points auto-supervisé dans une seule vidéo » (ECCV 2024)
Foire aux questions
Quel est le dépôt #video-understanding le plus populaire sur GitHub ?
Le projet #video-understanding open source le mieux classé sur GitHub est QwenLM/Qwen3-VL, avec 20,240 étoiles. Qwen3-VL est la série de grands modèles linguistiques multimodaux développée par l'équipe Qwen d'Alibaba Cloud.
Quels langages de programmation sont les plus utilisés dans les dépôts #video-understanding ?
Parmi les projets #video-understanding les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, JavaScript.
Comment le classement des dépôts #video-understanding est-il calculé ?
Nous suivons 51 dépôts open source actifs associés à #video-understanding (500+ étoiles), totalisant 114,089 étoiles, avec une moyenne de 2,237 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.