Awesome GitHub RepositoriesMulti-Image Sample Processing

Spectacle is a React-based presentation framework that enables developers to author slide decks using JSX and MDX syntax. It provides a component-driven approach to building presentations, where slides are composed as React components with declarative layouts, theme-driven styling, and step-based animation sequencing. The framework distinguishes itself through its support for live coding demonstrations within slides, allowing presenters to execute and display code directly during a talk. It includes a presenter mode with dual-view architecture that shows speaker notes, a timer, and upcoming s

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

LLaVA-NeXT este un framework de model de limbaj mare multimodal și un toolkit de antrenare conceput pentru a procesa imagini și secvențe video intercalate pentru a genera text. Funcționează ca un model de limbaj vizual care combină encoderele de viziune cu modelele de limbaj pentru a efectua raționamente complexe, răspunsuri la întrebări și înțelegerea video-ului. Sistemul este capabil să analizeze imagini de înaltă rezoluție și cadre video temporale pentru a descrie evenimente, a rezuma acțiuni și a raționa pe baza mai multor input-uri vizuale. Suportă interpretarea documentelor și a diagramelor, analiza spațială a mediului și generarea de subtitrări descriptive atât pentru imagini, cât și pentru video. Framework-ul include instrumente pentru ajustarea modelelor multimodale prin optimizarea preferințelor pentru a reduce halucinațiile și a îmbunătăți acuratețea. De asemenea, oferă un server de inferență pentru a implementa aceste capabilități ca serviciu API prin intermediul unui backend HTTP.

Imageflow este o bibliotecă de manipulare a imaginilor și un motor de compoziție de înaltă performanță, disponibil ca bibliotecă compatibilă C, procesor de imagini command-line și server dinamic de procesare a imaginilor. Oferă mijloacele de a decoda, coda și aplica transformări vizuale complexe imaginilor prin interfețe programatice, fișiere de job JSON sau query strings de URL. Sistemul se distinge printr-un pipeline de procesare bazat pe grafuri care permite codarea multi-format într-o singură trecere, generând dimensiuni și formate multiple de imagini dintr-o singură decodare pentru a reduce overhead-ul. De asemenea, dispune de un motor de decodare cu resurse limitate care impune limite stricte de memorie și dimensiune pentru a preveni epuizarea resurselor și atacurile de tip denial-of-service. Proiectul acoperă o gamă largă de capabilități de manipulare, inclusiv redimensionarea, decuparea, rotirea și filtrarea culorilor. Suportă sarcini avansate de compoziție, cum ar fi adăugarea de watermark-uri, generarea de canvas-uri goale și randarea formelor geometrice, alături de corecția automată a culorilor și ajustarea balansului de alb folosind analiza histogramelor. Logica de bază este expusă prin binding-uri de tip foreign function interface pentru integrare cross-language.

Otter is a framework and toolkit for the pretraining, fine-tuning, and evaluation of vision-language models. It provides a pipeline for training large language models to process high-resolution images and video frames, integrating visual encoders with textual token spaces. The system is designed for multi-visual input processing, allowing models to interpret multiple images or video sequences within a single prompt. It supports multi-round conversation management to maintain context across interactions for detailed scene comprehension and visual reasoning. The framework covers a full develop