Scenic: 谷歌开源的多模态计算机视觉研究库

RayRay
Scenic计算机视觉JAXTransformer深度学习Github开源项目

Scenic 简介

Scenic 是谷歌研究院开源的一个基于 JAX 和 Flax 的计算机视觉研究库。它专注于开发基于注意力机制的视觉模型,支持图像、视频、音频等多种模态的分类、分割和检测任务。Scenic 的目标是为计算机视觉研究提供一个灵活、高效的开发平台,加速 AI 视觉技术的进步。

Scenic logo

Scenic 的主要特点包括:

  1. 基于 JAX 和 Flax 构建,充分利用现代 AI 加速硬件的性能
  2. 提供了丰富的共享库,简化大规模视觉模型的开发
  3. 支持多设备、多主机的分布式训练
  4. 实现了多个 SOTA 模型和基线模型
  5. 模块化设计,便于快速原型开发和定制

Scenic 的主要功能

Scenic 提供了以下主要功能模块:

  1. 数据处理库: 实现了常见计算机视觉任务的 IO 管道,支持高效的数据加载和预处理。

  2. 模型库: 提供了多个抽象模型接口(如分类模型、分割模型等),以及高效的神经网络层实现(如注意力层、Transformer 层等)。

  3. 训练库: 提供了构建训练循环的工具,以及针对分类、分割等任务优化的训练器。

  4. 通用库: 包含日志记录、调试等通用功能模块。

  5. 项目库: 包含多个基于 Scenic 开发的研究项目和基线模型实现。

Scenic 的设计理念

Scenic 的设计理念是保持代码简洁易懂,便于快速原型开发。它采用了"复制粘贴优于复杂抽象"的原则,只有在功能被广泛使用时才会将其上升为共享库。这种设计使得研究人员可以根据需要灵活定制各个模块,同时又能充分利用 Scenic 提供的通用功能。

Scenic design

Scenic 的应用

Scenic 已在多个前沿研究项目中得到应用,涵盖了视频理解、多模态融合、鲁棒性增强等多个方向。一些代表性的项目包括:

  1. ViViT: 视频视觉 Transformer
  2. OmniNet: 全方位表示学习
  3. TokenLearner: 基于学习的 token 选择
  4. Pyramid Adversarial Training: 提升 ViT 性能的对抗训练方法
  5. Simple Open-Vocabulary Object Detection: 基于 Vision Transformer 的开放词汇目标检测

此外,Scenic 还实现了多个重要的基线模型,如 ViT、DETR、CLIP 等,为研究人员提供了可靠的对比基准。

如何使用 Scenic

要开始使用 Scenic,您需要 Python 3.9 或更高版本。可以通过以下步骤安装和运行 Scenic:

  1. 克隆 GitHub 仓库:
git clone https://github.com/google-research/scenic.git cd scenic
  1. 安装依赖:
pip install .
  1. 运行示例训练脚本(以 ViT 在 ImageNet 上的训练为例):
python scenic/main.py -- \ --config=scenic/projects/baselines/configs/imagenet/imagenet_vit_config.py \ --workdir=./

Scenic 还提供了一个 Colab notebook 用于快速体验。

Scenic 的社区与贡献

Scenic 是一个开源项目,欢迎社区贡献。如果您想为 Scenic 做出贡献,可以参考 贡献指南。项目遵循 Apache 2.0 开源许可证。

截至目前,Scenic 在 GitHub 上已获得超过 3200 颗星,有 426 个分支,反映了其在计算机视觉研究社区中的广泛影响力。

总结

Scenic 作为一个功能强大、灵活易用的计算机视觉研究库,为推动视觉 AI 技术的进步做出了重要贡献。它不仅提供了丰富的工具和模型,还培养了一个活跃的研究社区。无论是学术研究还是工业应用,Scenic 都是一个值得关注和使用的优秀框架。

如果您的研究或项目中使用了 Scenic,可以引用其白皮书。Scenic 的持续发展将为计算机视觉领域带来更多创新和突破。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多