按分类找 AI 开源项目

图像视觉

浏览当前公开快照中“图像视觉”相关的 AI 开源项目，并查看许可证、部署、适用场景、限制和核验来源。

Comfy-Org/ComfyUI — 结论：comfy-org/comfyui 适合希望通过节点图精细组织生成式工作流、同时保留本地离线与外部服务选择空间的创作者。它覆盖图像、视频、三维模型和音频生成，但采用自定义节点或面向共享生产环境部署前，需要核查版本兼容性与证书配置。
AUTOMATIC1111/stable-diffusion-webui — stable-diffusion-webui 是一个基于 Gradio 的 Stable Diffusion Web 界面，提供文生图、图生图、模型训练等功能。该项目提供安装脚本并支持在 4GB 显存的显卡上运行，适合需要在本地运行和管理图像生成的用户。
linshenkx/prompt-optimizer — prompt-optimizer 是一款 AI 提示词优化工具，提供提示词分析、测试、评估与多模型集成功能。采用纯客户端处理架构，数据直接与 AI 服务提供商交互，不经过中间服务器。
huggingface/diffusers — diffusers 是一个面向预训练扩散模型（覆盖图像、音频、视频）的模块化工具箱，提供推理流水线、可互换噪声调度器和可组合的预训练模型组件，基于 PyTorch 构建。它强调可用性优先于性能、可定制优先于抽象封装，适合需要在代码层面灵活控制生成与训练流程的开发者和研究人员。
opencv/opencv — opencv 是一个覆盖计算机视觉、图像处理和深度学习领域的开源函数库，定位为计算机视觉开发的基础设施。该项目以库形式提供算法集合，供开发者在本地集成使用。
Anil-matcha/Open-Generative-AI — open-generative-ai 是一个可自托管的生成式 AI 工作室，支持通过 200 多个模型生成图像、视频和口型同步内容，且不设内容过滤机制。该工具提供云端 API 调用与桌面端本地推理两种运行路径，适用于无需代码基础的媒体生成场景。
ultralytics/ultralytics — ultralytics 提供覆盖检测、分割、分类、姿态估计和目标追踪的实时计算机视觉模型开发与部署能力，通过统一的 CLI 和 Python API 交付 YOLO 模型。模型会在首次使用时自动下载，适合需要快速上手和迭代的视觉任务场景。
freestylefly/awesome-gpt-image-2 — awesome-gpt-image-2 是一个专注于将 AI 绘画提示词工程化的资源库，把零散的图像生成示例转化为可复用、可组合的结构化模块。项目提供了 520 个案例库，并配备了在线可视画廊和风格库智能体技能。
basketikun/infinite-canvas — infinite-canvas 是一个开源的无限画布工作台，在单一界面中整合画布排版、AI 图像生成、参考图编辑、聊天助手、提示词库与素材管理，用于迭代式视觉探索。
krillinai/OpenCreator — opencreator 是一个面向创作者的开源 AI 工作台，将视频翻译与下载、图像与视频生成、配音、文案脚本编写等可视化创作工具、可复用 Skills 以及 Agent 对话整合在一个基于 Codex 本地运行时的桌面工作区中。
ultralytics/yolov5 — ultralytics/yolov5 是一个基于 PyTorch 的视觉 AI 模型，支持目标检测、实例分割和图像分类任务，可用于快速训练、推理和部署。
roboflow/supervision — supervision 为计算机视觉应用提供可复用的数据加载、检测、可视化等构建块，支持通过连接器接入多种主流分类、检测或分割模型。它帮助开发者减少重复代码编写，使其能将精力集中在应用逻辑上。
ATH-MaaS/Pixelle-Video — ath-maas/pixelle-video 面向希望从主题或脚本生成短视频、且不需要细粒度手工剪辑的创作者。它覆盖脚本、图像或视频素材、配音、背景音乐与成片合成，并允许通过不同服务或工作流替换部分生成组件。
ageitgey/face_recognition — face_recognition 提供了基于 Python 库和命令行的人脸检测、特征点定位与识别能力，其底层依托 dlib 深度学习模型，在 Labeled Faces in the Wild 基准上准确率达 99.38%。
deepfakes/faceswap — faceswap 是一款面向学习和实验目的的开源深度学习换脸工具，支持从图像和视频中提取人脸、训练模型并完成换脸转换。用户无需具备高级 AI 专业背景即可通过命令行或图形界面使用。
invoke-ai/InvokeAI — InvokeAI 为专业创作者和爱好者提供本地托管的 Web 界面，支持使用生成式 AI 模型进行视觉媒体的生成与迭代。项目包含统一的画布工具和基于节点的工作流管理功能。
photoprism/photoprism — photoprism/photoprism 是一款可自托管的照片与视频管理应用，通过自动标签和人脸识别帮助用户整理媒体文件，以便于搜索和重新发现。
ningzimu/codex-ppt-skill — codex-ppt-skill 将文章、报告、论文、课程笔记和提纲等文字材料转换为以图片为主的 PowerPoint 演示文稿，并组装成 .pptx 文件。
TencentARC/GFPGAN — tencentarc/gfpgan 面向真实世界场景中的盲人脸恢复，使用预训练人脸 GAN 所封装的人脸先验进行修复。项目可在本地运行，提供训练代码，并提供不要求 CUDA 扩展的 Clean 版本。
helloianneo/ian-xiaohei-illustrations — helloianneo/ian-xiaohei-illustrations 适合希望把中文文章中的关键认知点转成“小黑”手绘风配图，并接受依赖 Codex 与图像生成模型的内容创作者。它不适合需要矢量源文件、演示文稿成品、复杂信息图或商业品牌主视觉的团队。
lllyasviel/ControlNet — ControlNet 是一种神经网络结构，通过为文本到图像扩散模型添加额外的空间条件来实现控制，同时不会破坏已有的生产级基础模型。
BVLC/caffe — Caffe 是一个以表达力、速度和模块化为核心设计目标的深度学习框架，配有教程、参考模型和安装指引。适合需要快速实验和模块化开发的深度学习研究者和开发者。
ConardLi/garden-skills — garden-skills 是一套面向 Claude Code、Cursor、Codex 等 AI 编程代理的精选 Agent Skills 集合，覆盖网页设计、图片生成、知识检索、网页视频演示和文章创作等领域。
fastai/fastai — fastai 提供高层与低层双层 API，让用户能以约 5 行代码快速达到先进深度学习成果，同时保持灵活性、易用性与性能。它覆盖图像、文本、表格和推荐系统场景，适用于研究原型与快速实验。
waooAI/waoowaoo — waoowaoo 是一款 AI 视频制作工具，能够将小说文本转化为分镜、角色、场景和完整的视频。该项目支持通过 Docker Compose 进行本地部署，并提供中文与英文界面。
lucidrains/vit-pytorch — vit-pytorch 是 Vision Transformer 的 PyTorch 实现，仅需单一 transformer encoder 即可实现视觉分类。它是一个 Python 库，可通过 pip 安装并在本地运行。

搜索

按分类找 AI 开源项目