#video-understanding Repositórios
Descubra 51 repositórios ativos de código aberto no GitHub marcados com #video-understanding, acumulando um total de 114,089 estrelas (uma média de 2,237 por projeto). O líder deste tópico é QwenLM/Qwen3-VL, com 20,240 estrelas.
51 repositórios no total
Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.
PySlowFast: base de código para compreensão de vídeo do FAIR para reproduzir modelos de vídeo de última geração.
A Caixa de Ferramentas e Benchmark de Próxima Geração para Compreensão de Vídeo do OpenMMLab
Código e modelos PyTorch para aprendizagem auto-supervisionada VJEPA2 a partir de vídeo.
Ferramenta de Avaliação Multimodal One-for-All para Tarefas de Texto, Imagem, Vídeo e Áudio
VILA é uma família de modelos de linguagem e visão (VLMs) de última geração para diversas tarefas de IA multimodal em edge, data center e nuvem.
Uma biblioteca de aprendizado profundo para pesquisa em compreensão de vídeo.
[Destaque CVPR2024][VideoChatGPT] ChatGPT com compreensão de vídeo! E muitos outros LMs suportados, como miniGPT4, StableLM e MOSS.
🔥🔥🔥 [IEEE TCSVT] Últimos artigos, códigos e conjuntos de dados sobre Vid-LLMs.
Um pipeline de geração de dados para a criação de vídeos sintéticos multiobjeto semirrealistas com anotações ricas, tais como máscaras de segmentação de instâncias, mapas de profundidade e fluxo óptico.
[ECCV2024] Modelos Fundacionais de Vídeo e Dados para Compreensão Multimodal
CLIP de Imagem e Vídeo de última geração, Modelos de Linguagem Grandes Multimodais e muito mais!
GLM-4.6V/4.5V/4.1V-Pensamento: Rumo ao Raciocínio Multimodal Versátil com Aprendizagem por Reforço Escalável
[ICCV 2019] TSM: Módulo de Deslocamento Temporal para Compreensão Eficiente de Vídeo
[EMNLP2026] «VideoAgent: Framework agêntico completo para compreensão, edição e recriação de vídeos»
O Blueprint de IA da NVIDIA para pesquisa e sumarização de vídeo (VSS) é uma arquitetura de referência acelerada por GPU para construir agentes de análise de vídeo com alertas verificados em tempo real, perguntas e respostas visuais e relatórios automatizados. O Blueprint VSS usa modelos de linguagem visual (VLM) como NVIDIA Cosmos, LLMs como NVIDIA Nemotron, RAG e NVIDIA NIM.
Excelentes kits de ferramentas para compreensão de vídeo baseados no PaddlePaddle. Ele suporta ferramentas de anotação de dados de vídeo, um modelo leve de reconhecimento de ações baseado em RGB e esqueleto, e aplicações práticas para marcação de vídeo e detecção de ações esportivas.
Um modelo multimodal unificado nativo de 3 bilhões de parâmetros ativos para compreensão, geração e edição de imagens e vídeos.
Modelos de Fundação Multimodais de Fronteira para Compreensão de Imagens e Vídeos
awesome grounding: Uma lista selecionada de artigos de pesquisa em visual grounding
[ECCV2024] VideoMamba: Modelo de Espaço de Estados para Compreensão Eficiente de Vídeo
:fire: :fire: :fire: Uma lista de artigos de alguns trabalhos recentes em Visão Computacional (CV)
Este repositório destina-se a hospedar ferramentas e demonstrações para o ActivityNet
[Destaque CVPR 2024🔥] Chat-UniVi: Representação Visual Unificada Capacita Grandes Modelos de Linguagem com Compreensão de Imagens e Vídeos
Modelos abertos de decisão multimodal, de 0,8B a 27B, para texto, imagens e vídeo. Tome decisões atribuindo probabilidades aos seus próprios candidatos e localize elementos com caixas delimitadoras, em vez de gerar texto. API gratuita, ONNX, GGUF, vLLM e SGLang; código de ajuste fino incluído.
Video-R1: Reforçando o Raciocínio de Vídeo em MLLMs [🔥o primeiro artigo a explorar o R1 para vídeo]
Trabalhos recentes de CV baseados em LLM e projetos relacionados. Comentários/contribuições são bem-vindos!
LLaMA-VID: Uma Imagem Vale 2 Tokens em Modelos de Linguagem Grandes (ECCV 2024)
Uma série de modelos de 11B com pesos abertos para compreensão de vídeos longos e em tempo real
Implementação oficial de UnifiedReward e [NeurIPS 2025] UnifiedReward-Think e UnifiedReward-Flex
[CVPR 2023] VideoMAE V2: Escalando Autoencoders Mascarados de Vídeo com Mascaramento Duplo
VideoLLM-online: Modelo de Linguagem Grande de Vídeo Online para Streaming de Vídeo (CVPR 2024)
O repositório oficial de "Vidi: Modelos Multimodais Grandes para Entendimento e Edição de Vídeo"
Código oficial para o modelo Goldfish para compreensão de vídeos longos e MiniGPT4-video para compreensão de vídeos curtos
LaVIT: Capacitar o Grande Modelo de Linguagem para Compreender e Gerar Conteúdo Visual
Dê olhos, ouvidos e resultados verificáveis aos agentes de IA. O Watch Skill transforma vídeos, áudio e atividades na tela em evidências pesquisáveis e com marcação de tempo, e comprova o trabalho por meio de contratos determinísticos, não de opiniões do modelo. DeepWatch é o espaço de trabalho para agentes desenvolvido com base no DeepSeek Harness. Python + npm, MCP, CLI, REST e Web.
Uma coleção de artigos, códigos, conjuntos de dados, benchmarks e recursos de raciocínio multimodal.
Detecção de Ação Temporal & Detecção de Ação Temporal Fracamente Supervisionada & Geração de Propostas de Ação Temporal
Nós do ComfyUI para modelos de visão-linguagem: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Além de detecção de vocabulário aberto, segmentação SAM2/SAM3, raciocínio temporal de vídeo, GGUF via llama.cpp e APIs de LLM/VLM hospedadas.
Storyboard com reconhecimento de cenas para DeepSeek Harness: de 9 a 16 células numeradas com marcações de tempo + transcrição + envelope de áudio, reunidas em UMA única imagem (384 tokens). Duas ferramentas: video_storyboard e video_zoom.
Implementação Oficial do Pytorch para “DINO-Tracker: Domando o DINO para Rastreamento de Pontos Auto-Supervisionado em um Único Vídeo” (ECCV 2024)
Perguntas Frequentes
Qual é o repositório de #video-understanding mais popular no GitHub?
O projeto de código aberto de #video-understanding mais bem classificado no GitHub é QwenLM/Qwen3-VL, com 20,240 estrelas. Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.
Quais linguagens de programação são mais usadas nos repositórios de #video-understanding?
Entre os projetos de #video-understanding mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, JavaScript.
Como é calculada a classificação dos repositórios de #video-understanding?
Acompanhamos 51 repositórios ativos de código aberto marcados com #video-understanding (com mais de 500 estrelas), totalizando 114,089 estrelas e uma média de 2,237 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.