Awesome GitHub RepositoriesComputer Vision Annotation

CVAT es una herramienta de anotación de visión artificial de código abierto y una plataforma de gestión de conjuntos de datos visuales. Proporciona una interfaz autohospedada para etiquetar imágenes, videos y datos 3D para crear conjuntos de datos para modelos de IA de visión. La plataforma cuenta con etiquetado de datos asistido por IA para automatizar la creación de máscaras y cuadros delimitadores, utilizando un sistema de complementos para conectar modelos de aprendizaje automático externos. Incluye un sistema de garantía de calidad basado en consenso que verifica la precisión de las etiquetas comparando anotaciones independientes. El sistema cubre la gestión colaborativa de equipos, la organización de proyectos a través de la descomposición de tareas y la integración de almacenamiento en la nube remota. También proporciona una API REST para el control programático del flujo de trabajo y la importación y exportación de datos en formatos estándar de la industria.

Labelme es una herramienta de anotación de imágenes basada en Python utilizada para crear conjuntos de datos de visión artificial. Sirve como un editor visual para la segmentación semántica, permitiendo a los usuarios definir límites de objetos utilizando polígonos, rectángulos, puntos y círculos. La aplicación también funciona como un anotador de imágenes multiespectrales, admitiendo archivos TIFF de alta profundidad de bits utilizados en imágenes satelitales y científicas. La herramienta incorpora capacidades de etiquetado asistido por IA para automatizar la creación de máscaras y polígonos. Estas características permiten la generación de formas impulsada por indicaciones de texto o selecciones de puntos interactivos, que proponen límites basados en puntos positivos y negativos colocados por el usuario. El software cubre una amplia gama de tareas de gestión y anotación de datos, incluida la creación de máscaras de píxeles densos, cuadros delimitadores rotados y secuenciación de fotogramas de video. Incluye una tubería para traducir la persistencia del estado JSON interno a formatos de conjunto de datos estándar como COCO y Pascal VOC. Las capacidades adicionales incluyen indicadores de clasificación a nivel de imagen, herramientas de refinamiento de geometría e importación de imágenes por lotes.

This project is a collection of educational resources and implementation frameworks providing deep learning model recipes, code samples, and step-by-step guides for computer vision tasks. It organizes complex workflows into modular recipes and implementation guides to facilitate the building of image and video analysis models. The framework focuses on specialized vision capabilities, including an image similarity framework for fast retrieval and re-ranking, human pose estimation, and video action recognition. It also provides specific tools for crowd density estimation and document image clea

FastSAM is an image segmentation framework that uses convolutional neural networks to isolate visual elements and generate masks for detectable objects within images. It provides a system for both automatic all-object segmentation and promptable image segmentation. The project utilizes an inference-optimized architecture to reduce computational overhead, enabling faster mask generation and real-time visual analysis. It supports the creation of precise masks through various prompt inputs, including points, bounding boxes, and text descriptions. The framework covers broader computer vision cap

X-AnyLabeling is an AI-assisted annotation platform and computer vision labeling tool. It provides an interface for annotating images and videos using polygons and rectangles to create training sets for machine learning models. The project distinguishes itself through the integration of external AI models via a plugin-based inference backend, allowing for automated generation of candidate labels and the execution of specialized tasks like pose estimation and object detection. It also functions as an optical character recognition tool for extracting text and layout information from document im

This project is a toolkit and API designed for parsing, manipulating, and visualizing image annotations for computer vision tasks. It provides a programming interface to load and organize Common Objects in Context annotations, specifically for object detection, image segmentation, and keypoint estimation. The library includes tools for converting formatted JSON files into data structures that support the analysis of pixel-level masks and skeletal markers. It enables the visual verification of ground truth accuracy by rendering bounding boxes, segmentation masks, and keypoint markers directly

VoTT es un software de anotación de visión artificial y herramienta de preparación de datasets para machine learning. Es una aplicación de escritorio diseñada para dibujar cuadros delimitadores (bounding boxes) y asignar etiquetas a objetos en imágenes y videos para crear datasets de entrenamiento para modelos de detección de objetos. La aplicación utiliza una interfaz de escritorio multiplataforma para gestionar recursos de imagen y video. Cuenta con una integración de almacenamiento local para manejar grandes archivos multimedia directamente desde el sistema de archivos de la máquina host e incluye muestreo de video controlado por tasa de fotogramas para extraer imágenes específicas de flujos de video para su etiquetado. El software cubre el ciclo de vida completo de los datos, incluyendo la importación de recursos desde almacenamiento local o en la nube y la conversión de datos anotados a varios formatos de machine learning mediante exportaciones basadas en esquemas. También incorpora cifrado basado en tokens para proteger la configuración sensible del proyecto.

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