YOLOX

YOLO 系列目标检测框架，56,193+ stars。业界最先进的目标检测框架，支持 YOLOv8/v11 等最新模型，提供检测、分割、姿态估计、旋转框检测等任务，API 简洁易用

🎯多模态内容理解与生成

几何计算机视觉库，11K+ stars。面向空间 AI 的几何计算机视觉库，提供 OpenCV 风格的 PyTorch 原生计算机视觉操作

🎯多模态内容理解与生成

M87 Labs 出品的微型视觉语言模型，9,969 stars。专为边缘设备设计，可在树莓派等资源受限环境运行，支持图像理解、视觉问答、OCR 和物体检测。混合架构（transformer + 循环组件），2026-04 仍在推送更新。

🎯在资源受限设备（手机/嵌入式/树莓派）上部署视觉语言理解能力

开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。

🎯多模态内容理解与生成

百度开源的多语言 OCR 工具，75,995+ stars。支持 80+ 语言识别，提供超轻量级中文 OCR 模型（仅几 MB），可部署于服务器、移动端和嵌入式设备，是工业级 OCR 方案的首选

🎯多模态内容理解与生成

开源 OCR 引擎，73,620+ stars。由 HP 开发、Google 维护的顶级文字识别引擎，支持 100+ 语言，可识别图片、PDF、扫描件中的文字。结合 LSTM 神经网络实现高精度 OCR，是 AI 文档处理的基础设施。

🎯多模态内容理解与生成