ModelScope是一个基于'模型即服务'(MaaS)理念的开源平台，整合了AI社区最先进的机器学习模型，覆盖计算机视觉(CV)、自然语言处理(NLP)、语音、跨模态和科学计算等多个领域。它提供统一的接口和实现，支持模型的推理、训练和评估，简化了模型在现实世界应用中的使用过程。平台公开了超过700个模型，支持从文本生成到图像处理等多种场景，并可与Hugging Face等社区集成扩展资源。
Agentic Object Detection 是 LandingAI 开发的计算机视觉项目，通过文本提示实现人类级别的目标检测精度，无需定制训练。它利用推理驱动的 AI 分析物体的独特属性（如颜色、形状、纹理）及物体间关系，支持零样本学习。在内部基准测试中，其 F1 分数达 79.7%，优于 Microsoft Florence-2、Google OWLv2 等模型。项目集成于 LandingLens 平台，适用于农业、制造业、医疗等多个行业。
Mixture-of-Mamba 是一种基于状态空间模型（SSMs）的新型架构，专门设计用于通过引入模态感知稀疏性来改进多模态模型。它能够高效处理文本、图像和语音等不同类型的数据，通过为每种数据类型定制参数，显著提高效率和性能。该项目在减少计算成本的同时，保持了或提升了模型的表现，特别适用于多模态预训练研究。
colmap_cameras_pytorch 是一个用 PyTorch 实现的工具，专注于 COLMAP 相机模型。它支持自动微分，全面支持 COLMAP 的所有相机模型，并提供实用工具如相机模型重映射和根求解器。这款工具主要面向计算机视觉和深度学习领域的研发人员，特别适用于结构从运动（SfM）和多视图立体视觉（MVS）任务。
Depth Anything 是一个高度实用的单目深度估计解决方案，旨在构建一个简单而强大的基础模型，能够处理任何图像并适应任何场景。该模型使用约6200万张无标签图像进行训练，涵盖多个领域和场景，展示了出色的零样本泛化能力，并在NYUv2和KITTI数据集上创下了新的最佳性能。
deepcharacters是一个基于TensorFlow的开源项目，旨在实现从稀疏RGB摄像头实时生成角色的自由视角视频。该项目支持高精度动态建模和4K分辨率渲染，仅需4个摄像头视角和3D骨骼姿势即可生成逼真的角色视频。项目代码结构清晰，包含深度学习框架、自定义TensorFlow操作符和CUDA渲染器，适用于计算机视觉和AI领域的研究与开发。
Infinigen 是一款开创性的开源工具，利用程序化生成技术生成逼真无限的3D世界。它结合了计算机视觉、计算机图形和生成式人工智能的先进技术，创造出身临其境的真实环境。项目支持生成室内场景和自然场景，并提供丰富的文档和教程，帮助用户快速上手。
Ultralytics YOLO 是一款基于 YOLO 系列的尖端对象检测和追踪模型，集成了计算机视觉和深度学习的最新进展。它继承了前代 YOLO 版本的成功，并引入了新的架构和训练流程，提升了实时推理速度、准确性和泛化能力。该模型适用于广泛的任务，包括对象检测、实例分割、图像分类和姿态估计。YOLO11 经过 COCO、ImageNet 和 DOTAv1 等大型数据集的训练，提供了卓越的准确度和速度。
PyTorch Image Models (timm) 是一个 PyTorch 图像模型集合库，旨在为研究人员和开发者提供丰富的、预训练的图像编码器和骨干网络，方便快速构建和实验各种计算机视觉应用。timm 库不仅提供了模型架构，还包含了训练和验证的技巧，支持多种优化器，并提供了灵活的配置接口。它包含了广泛的模型，如ResNet、EfficientNet、ViT、MobileNet等，这些模型在ImageNet数据集上接受了预训练，可以针对特定的应用程序进行微调。
该项目提供了 OpenAI API 的 OpenAPI 规范，帮助开发者理解并利用 OpenAI API。OpenAPI 规范是一种用于描述 RESTful API 的行业标准，使用 YAML 或 JSON 格式编写，定义了 API 的架构、请求和响应模型，以及其他元数据。该规范基于 OpenAPI 3.0 标准，并遵循 RESTful 架构，提供了一致而易于理解的 API 定义。开发人员可以使用此规范生成各种编程语言的客户端，自动化工具可以使用此规范来验证请求和响应，确保与 API 的兼容性。
NVIDIA NeMo是一个可扩展的云原生生成式AI框架，专为研究人员和PyTorch开发者设计，支持大语言模型（LLM）、多模态模型（MM）、自动语音识别（ASR）、文本转语音（TTS）和计算机视觉（CV）等领域。它旨在帮助用户高效地创建、定制和部署新一代AI模型，利用现有的代码和预训练模型检查点。NeMo基于Python配置，采用模块化抽象，支持在成千上万个GPU上进行大规模实验。
opencv_contrib是OpenCV的额外模块库，包含了许多未包含在OpenCV主仓库中的功能和算法。它提供了大量额外的图像处理和计算机视觉算法，支持深度学习模型的应用和集成，并包含了许多实验性和前沿的计算机视觉技术。此外，opencv_contrib还提供了丰富的工具和插件，进一步扩展了OpenCV的功能。
utils3d 是一个专为计算机视觉和图形研究人员设计的3D Python工具包，支持OpenCV与OpenGL坐标系转换、轻松光栅化处理、网格处理工具等功能，旨在帮助研究人员以最少的努力实现光栅化处理。
Image2Paragraph是一个结合了ChatGPT、BLIP2、OFA、GRIT、Segment Anything和ControlNet技术的项目，旨在将图像转化为独特的段落描述。通过多种先进技术的集成，该项目能够从图像中提取丰富的特征，并生成详细且独特的文本描述，适用于多种AI应用和计算机视觉任务。
YOLOE是一个实时高效的目标检测与分割模型，支持文本、视觉和无提示三种模式，具有卓越的零样本文本提示性能，训练成本降低3倍，推理速度快，YOLOE-v8-S在LVIS上的AP达到27.9，速度提升1.4倍。
OpenVINO深度学习部署工具集，支持Open Model Zoo预训练模型以及100多种流行格式的开源和公共模型，如Caffe, Tensorflow, MXNet和ONNX。该工具集提供高效的深度学习模型部署工具，优化模型推理性能，广泛应用于计算机视觉、自然语言处理等领域。
该项目由NVIDIA AI IOT开发，专注于优化YOLOv5的GPU性能，提升实时目标检测任务的速度和效率。
OpenCV Zoo是由OpenCV提供的预训练深度学习模型和算法集合，适用于各种计算机视觉任务。该项目包含了多种预训练模型，支持多种深度学习框架，如TensorFlow、PyTorch和ONNX，并提供了易于使用的API，方便将模型集成到应用中。项目开源且社区驱动，定期更新新模型和改进。
DINOv2编码器微调助手利用低秩适应（LoRA）技术对视觉任务进行编码器权重微调，简化新任务适配过程，显著提高模型在图像分割等视觉任务上的表现。该项目支持DINOv2编码器的微调，优化视觉任务的性能，适用于计算机视觉领域的各种任务。
BANANAS 是一种新的神经网络架构搜索方法 (NAS)，旨在优化神经网络架构的自动搜索过程。它利用贝叶斯优化进行架构搜索，支持多种神经网络架构，并能够自动化地选择与优化架构。BANANAS 具有强可扩展性，适用于大规模数据集，能够显著提高神经网络架构搜索的效率和效果。
Fast3R是一个旨在通过单次前向处理实现1000+张图像的3D重建的项目，使得大规模3D重建变得轻松高效。
FastAI是一个深度学习库，专注于简化机器学习模型的训练过程，广泛应用于计算机视觉、自然语言处理等领域。它提供了简单易用的API，降低学习门槛，内置多种优化算法，帮助加速训练过程，支持计算机视觉、NLP等任务，功能全面。FastAI完全开源，支持社区贡献和个性化定制。
Semaphore 是一个基于计算机视觉的体感控制项目，允许用户通过身体动作进行打字、游戏控制和其他交互操作。它支持全身手势识别，提供实时反馈，并允许自定义手势映射。该项目开源且易于扩展，适用于开发体感游戏、教学工具、创意打字体验以及特殊环境下的输入需求。
multitrident 结合了 TridentNet 和 RefineDet 技术，能够在一次前向传播中同时检测不同尺度的目标。它通过高效的单一前向传播实现多尺度目标检测，适用于各种计算机视觉任务，并持续更新和改进。
MindCV是一个基于MindSpore的视觉模型和算法工具箱，致力于计算机视觉相关技术的研究与开发。它提供了全面的视觉模型集合，并与MindSpore框架深度集成，支持多种计算机视觉算法。该项目是开源的，社区驱动，既适用于研究，也适用于实际应用。
SLAB是一个高效的Transformer模型，采用简化的线性注意力机制和渐进重参数化批归一化技术，旨在提升模型的计算效率和性能。
nano-simsiam是一个极简的PyTorch实现的SimSiam自监督学习框架，仅用400行代码实现，基于ResNet50在ImageNet上达到良好性能。它支持分布式训练、实时KNN评估和自动混合精度训练，非常适合研究原型开发，代码简洁易于理解和修改。
YOLO-NAS是一个全新的目标检测模型，其在性能上超越了之前的目标检测模型，尤其适用于小型设备。该模型完全开源，具有高效的实时处理能力，特别适合在边缘设备上应用。通过利用流行的注意机制，YOLO-NAS显著提高了小物体检测的准确性和物体定位的精度，使其成为计算机视觉任务中的理想选择。
YOLOv12是一个基于注意力机制的新框架，旨在突破传统CNN架构的局限，提高性能和计算速度。
CIPS-3D是一个基于条件独立像素合成的3D感知生成器，能够生成高质量的3D图像，利用生成对抗网络(GAN)技术，推动计算机视觉领域的发展。
