#video-understanding Repository
Scopri 51 repository GitHub open source attivi contrassegnati con #video-understanding, che raccolgono un totale di 114,089 stelle (con una media di 2,237 stelle per progetto). Il progetto leader di questo argomento è QwenLM/Qwen3-VL, con 20,240 stelle.
51 repository in totale
Qwen3-VL è la serie di modelli linguistici di grandi dimensioni multimodali sviluppata dal team Qwen di Alibaba Cloud.
PySlowFast: codebase per la comprensione video da FAIR per riprodurre modelli video all'avanguardia.
Il Toolbox e Benchmark di Nuova Generazione di OpenMMLab per la Comprensione dei Video
Codice e modelli PyTorch per l'apprendimento auto-supervisionato da video VJEPA2.
Toolkit di valutazione multimodale One-for-All per attività testuali, di immagini, video e audio
VILA è una famiglia di modelli visivi linguistici (VLM) all'avanguardia per diversi compiti di intelligenza artificiale multimodale su edge, data center e cloud.
Una libreria di deep learning per la ricerca sulla comprensione dei video.
[CVPR2024 Highlight][VideoChatGPT] ChatGPT con comprensione video! E molti altri LM supportati come miniGPT4, StableLM e MOSS.
🔥🔥🔥 [IEEE TCSVT] Últimi lavori, codici e set di dati su Vid-LLMs.
Una pipeline di generazione dati per creare video semi-realistici sintetici multi-oggetto con ricche annotazioni come maschere di segmentazione delle istanze, mappe di profondità e flusso ottico.
[ECCV2024] Modelli Fondamentali Video e Dati per la Comprensione Multimodale
Modelli CLIP" all'avanguardia per immagini e video, modelli linguistici di grandi dimensioni multimodali e altro ancora!
GLM-4.6V/4.5V/4.1V-Pensiero: Verso il Ragionamento Multimodale Versatile con Apprendimento per Rinforzo Scalabile
[ICCV 2019] TSM: Modulo di Sostituzione Temporale per un Video-Comprensione Efficiente
[EMNLP2026] «VideoAgent: Framework agentico all-in-one per la comprensione, l’editing e la ricreazione di video»
Il Blueprint AI di NVIDIA per la ricerca e il riepilogo video (VSS) è un'architettura di riferimento accelerata da GPU per costruire agenti di analisi video con avvisi verificati in tempo reale, domande e risposte visive e report automatizzati. Il Blueprint VSS utilizza modelli di linguaggio visivo (VLM) come NVIDIA Cosmos, LLM come NVIDIA Nemotron, RAG e NVIDIA NIM.
Fantastici toolkit per la comprensione video basati su PaddlePaddle. Supporta strumenti di annotazione dati video, modelli leggeri basati su RGB e scheletri per il riconoscimento delle azioni, applicazioni pratiche per il tagging video e il rilevamento di azioni sportive.
Un modello multimodale unificato nativo a 3 miliardi di parametri attivi per la comprensione, la generazione e la modifica di immagini e video.
Modelli Fondazionali Multimodali di Frontiera per la Comprensione di Immagini e Video
awesome grounding: Una lista curata di articoli di ricerca sul grounding visivo
[ECCV2024] VideoMamba: Modello a spazio degli stati per un'efficiente comprensione video
:fire: :fire: :fire: Un elenco di documenti su alcuni recenti lavori di Computer Vision (CV)
[CVPR 2024 Highlight🔥] Chat-UniVi: Unified Visual Representation Potenzia i modelli linguistici di grandi dimensioni con la comprensione di immagini e video
Modelli aperti di decisione multimodale, da 0,8B a 27B, per testo, immagini e video. Decidi assegnando probabilità ai tuoi candidati e individua gli elementi con riquadri di delimitazione, invece di generare testo. API gratuita, ONNX, GGUF, vLLM e SGLang; codice per il fine-tuning incluso.
Video-R1: Rafforzare il Ragionamento Video negli MLLM [🔥il primo paper a esplorare R1 per i video]
Recenti lavori basati su LLM per CV e correlati. Benvenuti a commentare/contribuire!
LLaMA-VID: Un'immagine vale 2 token nei modelli linguistici di grandi dimensioni (ECCV 2024)
Una serie di modelli da 11B a pesi aperti per la comprensione di video di lunga durata e in tempo reale
Implementazione ufficiale di UnifiedReward e [NeurIPS 2025] UnifiedReward-Think e UnifiedReward-Flex
Repository ufficiale e implementazione della valutazione di VSI-Bench
VideoLLM-online: Large Language Model online per video in streaming (CVPR 2024)
Il repository ufficiale per "Vidi: Modelli Multimodali Grandi per la Comprensione e l'Editing Video"
Codice ufficiale per il modello Goldfish per la comprensione di video lunghi e MiniGPT4-video per la comprensione di video brevi
LaVIT: Potenziare il Large Language Model per Comprendere e Generare Contenuti Visivi
Dai agli agenti IA occhi, orecchie e risultati verificabili. Watch Skill trasforma video, audio e attività sullo schermo in prove ricercabili e corredate di timestamp, e dimostra il lavoro tramite contratti deterministici, non opinioni del modello. DeepWatch è l’ambiente di lavoro per agenti basato su DeepSeek Harness. Python + npm, MCP, CLI, REST e Web.
Una raccolta di articoli, codici, set di dati, benchmark e risorse sul ragionamento multimodale.
Rilevamento di azioni temporali & Rilevamento di azioni temporali debolmente supervisionato & Generazione di proposte di azioni temporali
Nodi ComfyUI per modelli vision-language: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Include inoltre rilevamento a vocabolario aperto, segmentazione SAM2/SAM3, ragionamento temporale video, GGUF tramite llama.cpp e API LLM/VLM ospitate.
Storyboard con riconoscimento delle scene per DeepSeek Harness: da 9 a 16 riquadri numerati con timestamp + trascrizione + inviluppo audio, raccolti in UN'UNICA immagine (384 token). Due strumenti: video_storyboard e video_zoom.
Implementazione ufficiale di Pytorch per “DINO-Tracker: Domare DINO per il tracciamento autonomo di punti in un singolo video” (ECCV 2024)
Domande frequenti
Qual è il repository #video-understanding più popolare su GitHub?
Il progetto open source #video-understanding più alto in classifica su GitHub è QwenLM/Qwen3-VL, con 20,240 stelle. Qwen3-VL è la serie di modelli linguistici di grandi dimensioni multimodali sviluppata dal team Qwen di Alibaba Cloud.
Quali linguaggi di programmazione sono più utilizzati nei repository #video-understanding?
Tra i progetti #video-understanding più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, JavaScript.
Come viene calcolata la classifica dei repository #video-understanding?
Monitoriamo 51 repository open source attivi contrassegnati con #video-understanding (500+ stelle), per un totale di 114,089 stelle e una media di 2,237 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.