#video-understanding 仓库
探索 51 个标记为 #video-understanding 的活跃开源 GitHub 仓库,它们累计获得 114,089 个 Star(平均每个项目 2,237 个)。该主题的领先项目是 QwenLM/Qwen3-VL,拥有 20,240 个 Star。
共 51 个仓库
[CVPR2024 Highlight][VideoChatGPT] 具备视频理解能力的 ChatGPT!还支持 miniGPT4、StableLM 和 MOSS 等更多 LM。
NVIDIA AI 视频搜索与摘要(VSS)蓝图是一种 GPU 加速的参考架构,用于构建具有实时验证警报、视觉问答和自动报告功能的视频分析代理。VSS 蓝图使用视觉语言模型(VLM),如 NVIDIA Cosmos,大语言模型(LLM),如 NVIDIA Nemotron,以及 RAG 和 NVIDIA NIM。
基于PaddlePaddle的强大视频理解工具包。它支持视频数据标注工具、轻量级RGB和骨骼 기반动作识别模型,以及用于视频标签和运动动作检测的实用应用程序。
开放式多模态决策模型,参数规模从 0.8B 到 27B,支持文本、图像和视频。对自选候选项进行概率判断,并用边界框定位,而非生成文本。提供免费 API、ONNX、GGUF、vLLM 和 SGLang;附带微调代码。
UnifiedReward 及 [NeurIPS 2025] UnifiedReward-Think 及 UnifiedReward-Flex 的官方实现
为 AI 智能体配备眼睛、耳朵和可验证的结果。Watch Skill 将视频、音频和屏幕活动转化为可搜索、带时间戳的证据,并通过确定性契约而非模型观点证明工作成果。DeepWatch 是基于 DeepSeek Harness 构建的智能体工作空间。支持 Python + npm、MCP、CLI、REST 和 Web。
时序动作检测 & 弱监督时序动作检测 & 时序动作提议生成
用于视觉语言模型的 ComfyUI 节点:Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V。此外还支持开放词汇检测、SAM2/SAM3 分割、视频时序推理、通过 llama.cpp 实现的 GGUF,以及托管的 LLM/VLM API。
适用于 DeepSeek Harness 的场景感知型分镜:将 9–16 个带编号的画面格、时间戳、转录文本和音频包络压缩到一张图像中(384 个 token)。两种工具:video_storyboard 和 video_zoom。
常见问题解答
GitHub 上最受欢迎的 #video-understanding 仓库是什么?
GitHub 上排名第一的开源 #video-understanding 项目是 QwenLM/Qwen3-VL,拥有 20,240 个 Star。Qwen3-VL 是阿里云Qwen团队开发的系列多模态大语言模型。
#video-understanding 仓库中最常使用的编程语言有哪些?
在 GitHub 上排名靠前的 #video-understanding 项目中,最常见的编程语言是 Python, Jupyter Notebook, C++, JavaScript。
#video-understanding 仓库的排名是如何计算的?
我们跟踪了 51 个标记为 #video-understanding 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 114,089 个 Star,平均每个仓库拥有 2,237 个 Star。排名每日根据 GitHub API 更新。