Awesome GitHub RepositoriesText-Prompted Masking

Grounded-Segment-Anything is a suite of specialized tools for multimodal visual analysis, text-based segmentation, and generative image editing. It integrates text-to-bounding-box detection and high-precision image segmentation masks to function as a text-based image segmenter and an automated visual labeling tool. The project enables text-driven image editing by identifying objects through natural language to perform inpainting and element replacement. It further extends visual analysis into three dimensions, allowing for 3D human reconstruction and the generation of 3D bounding boxes from t

MobileSAM هو نموذج رؤية خفيف الوزن لتقسيم الصور وقابل للتوجيه، مصمم لعزل الكائنات بسرعة على الأجهزة ذات الموارد المحدودة. يعمل كأداة تلقائية لإخفاء الصور قادرة على اكتشاف وعزل كائنات متميزة عبر الصورة بأكملها دون تدخل يدوي. يُمكّن النظام من إخفاء الكائنات بناءً على توجيهات باستخدام نقاط إحداثيات أو مربعات إحاطة لتوليد أقنعة دقيقة. كما يدعم تقسيم الصور لجميع الكائنات من خلال أخذ عينات توجيهية واعية بالكائنات لتحديد كل كائن متميز في المشهد. لتسهيل النشر على الأجهزة المحمولة والحافة، يتوافق النموذج مع تصدير ONNX، مما يسمح لنموذج الرؤية بالعمل عبر بيئات تشغيل أجهزة متنوعة.

هذا المشروع هو إطار عمل لتجزئة الصور متعدد الوسائط ونموذج رؤية من النص إلى القناع. يعمل كمجزئ مرئي يعتمد على SAM مصمم لعزل الكائنات المتميزة داخل الصور والفيديو عن طريق تحويل مطالبات اللغة الطبيعية والمدخلات الأخرى إلى أقنعة دلالية على مستوى البكسل. يعمل النظام كإطار عمل لتجزئة الصور متعدد الوسائط يدمج إشارات النص، والصورة، والصوت لتوليد الأقنعة. يتضمن متتبع كائنات فيديو تفاعلي يعزل ويتتبع الكيانات المرئية عبر إطارات الفيديو باستخدام صور مرجعية أو استعلامات نصية. يوفر إطار العمل قدرات لتسمية الصور الدلالية، وتعيين أسماء الفئات للأقنعة عبر مفردات محددة مسبقاً. كما يدعم تحرير الصور التفاعلي من خلال ذاكرة سجل الجلسة ويشير إلى مطابقة الميزات لاستخراج الكائنات بناءً على مناطق الصور المرجعية.

ISAT with Segment Anything is a desktop application designed for computer vision data labeling and interactive image segmentation. It provides a semi-automatic annotation suite that accelerates the creation of object masks, polygons, and metadata for training datasets. The application translates user actions into spatial constraints through interactive visual prompting with clicked points and bounding boxes, as well as text-based prompts. It operates via a model-agnostic inference pipeline that interchanges multiple vision and language backbone networks through a unified adapter layer. A desk

Describe Anything is a multimodal vision-language framework designed for localized visual analysis and automated dataset annotation. It utilizes a vision-language model to generate detailed, context-aware text descriptions for specific regions within images and videos, triggered by user-defined inputs such as points, boxes, or masks. The system distinguishes itself through its ability to maintain object context across video frames via temporal mask propagation and its support for regional question answering without requiring additional model fine-tuning. It provides an OpenAI-compatible API t