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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多