sheeprl

sheeprl

基于PyTorch的强化学习框架支持多种算法和环境

SheepRL是一个基于PyTorch和Lightning Fabric的强化学习框架。它支持PPO、SAC、Dreamer等多种算法,以及Atari、MuJoCo、Minecraft等多种环境。该框架易用可扩展,实现了算法与环境的解耦,适用于广泛的强化学习任务。在部分基准测试中,SheepRL展现出与其他框架相当甚至更优的性能,为强化学习研究和开发提供了高效工具。

SheepRL强化学习PyTorchLightning Fabric算法实现Github开源项目

⚡ SheepRL 🐑

Python 3.8 Python 3.9 Python 3.10 Python 3.11

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/34821b1c-7d81-42bb-9391-1c22d032240c.svg" style="width:40%"> </p> <div align="center"> <table> <tr> <td><img src="https://github.com/Eclectic-Sheep/sheeprl/assets/18405289/6efd09f0-df91-4da0-971d-92e0213b8835" width="200px"></td> <td><img src="https://github.com/Eclectic-Sheep/sheeprl/assets/18405289/dbba57db-6ef5-4db4-9c53-d7b5f303033a" width="200px"></td> <td><img src="https://github.com/Eclectic-Sheep/sheeprl/assets/18405289/3f38e5eb-aadd-4402-a698-695d1f99c048" width="200px"></td> <td><img src="https://github.com/Eclectic-Sheep/sheeprl/assets/18405289/93749119-fe61-44f1-94bb-fdb89c1869b5" width="200px"></td> </tr> </table> </div> <div align="center"> <table> <thead> <tr> <th>环境</th> <th>总帧数</th> <th>训练时间</th> <th>测试奖励</th> <th>论文奖励</th> <th>GPU</th> </tr> </thead> <tbody> <tr> <td>Crafter</td> <td>1M</td> <td>1天3小时</td> <td>12.1</td> <td>11.7</td> <td>1-V100</td> </tr> <tr> <td>Atari-吃豆人</td> <td>100K</td> <td>14小时</td> <td>1542</td> <td>1327</td> <td>1-3080</td> </tr> <tr> <td>Atari-拳击</td> <td>100K</td> <td>14小时</td> <td>84</td> <td>78</td> <td>1-3080</td> </tr> <tr> <td>DOA++(无优化)<sup>1</sup></td> <td>7M</td> <td>18天22小时</td> <td>2726/3328<sup>2</sup></td> <td>不适用</td> <td>1-3080</td> </tr> <tr> <td>Minecraft-导航(无优化)</td> <td>8M</td> <td>16天4小时</td> <td>27% &gt;= 70<br>14% &gt;= 100</td> <td>不适用</td> <td>1-V100</td> </tr> </tbody> </table> </div>
  1. 比较:1M帧在优化前需2天7小时,优化后需1天5小时
  2. DIAMBRA排行榜最高分(2023年11月7日)

基准测试

我们的实现与Stable Baselines3的训练时间对比如下:

<div align="center"> <table> <thead> <tr> <th colspan="2"></th> <th>SheepRL v0.4.0</th> <th>SheepRL v0.4.9</th> <th>SheepRL v0.5.2<br />(Numpy缓冲区)</th> <th>SheepRL v0.5.5<br />(Numpy缓冲区)</th> <th>StableBaselines3<sup>1</sup></th> </tr> </thead> <tbody> <tr> <td rowspan="2"><b>PPO</b></td> <td><i>1个设备</i></td> <td>192.31秒 &plusmn; 1.11</td> <td>138.3秒 &plusmn; 0.16</td> <td>80.81秒 &plusmn; 0.68</td> <td>81.27秒 &plusmn; 0.47</td> <td>77.21秒 &plusmn; 0.36</td> </tr> <tr> <td><i>2个设备</i></td> <td>85.42秒 &plusmn; 2.27</td> <td>59.53秒 &plusmn; 0.78</td> <td>46.09秒 &plusmn; 0.59</td> <td>36.88秒 &plusmn; 0.30</td> <td>无数据</td> </tr> <tr> <td rowspan="2"><b>A2C</b></td> <td><i>1个设备</i></td> <td>无数据</td> <td>无数据</td> <td>无数据</td> <td>84.76秒 &plusmn; 0.37</td> <td>84.22秒 &plusmn; 0.99</td> </tr> <tr> <td><i>2个设备</i></td> <td>无数据</td> <td>无数据</td> <td>无数据</td> <td>28.95秒 &plusmn; 0.75</td> <td>无数据</td> </tr> <tr> <td rowspan="2"><b>SAC</b></td> <td><i>1个设备</i></td> <td>421.37秒 &plusmn; 5.27</td> <td>363.74秒 &plusmn; 3.44</td> <td>318.06秒 &plusmn; 4.46</td> <td>320.21 &plusmn; 6.29</td> <td>336.06秒 &plusmn; 12.26</td> </tr> <tr> <td><i>2个设备</i></td> <td>264.29秒 &plusmn; 1.81</td> <td>238.88秒 &plusmn; 4.97</td> <td>210.07秒 &plusmn; 27</td> <td>225.95 &plusmn; 3.65</td> <td>无数据</td> </tr> <tr> <td><b>Dreamer V1</b></td> <td><i>1个设备</i></td> <td>4201.23秒</td> <td>无数据</td> <td>2921.38秒</td> <td>2207.13秒</td> <td>无数据</td> </tr> <tr> <td><b>Dreamer V2</b></td> <td><i>1个设备</i></td> <td>1874.62秒</td> <td>无数据</td> <td>1148.1秒</td> <td>906.42秒</td> <td>无数据</td> </tr> <tr> <td><b>Dreamer V3</b></td> <td><i>1个设备</i></td> <td>2022.99秒</td> <td>无数据</td> <td>1378.01秒</td> <td>1589.30秒</td> <td>无数据</td> </tr> </tbody> </table> </div>

[!注意]

所有实验都在Lightning Studio上使用4个CPU运行。 除了Dreamers的基准测试外,所有基准测试都运行了5次,我们取了运行的平均值和标准差。 我们禁用了测试功能、日志记录和检查点。此外,模型未使用MLFlow进行注册。

Dreamers的基准测试运行了1次,包括日志记录和检查点,但没有运行测试功能。

  1. StableBaselines3的版本是v2.2.1,请使用pip install stable-baselines3==2.2.1安装该包

内容

一个基于PyTorch的易用型强化学习框架,由Lightning Fabric加速。 sheeprl现成提供的算法包括:

算法耦合解耦循环向量观测像素观测状态
A2C:heavy_check_mark::x::x::heavy_check_mark::x::heavy_check_mark:
A3C:heavy_check_mark::x::x::heavy_check_mark::x::construction:
PPO:heavy_check_mark::heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark:
PPO循环:heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
SAC:heavy_check_mark::heavy_check_mark::x::heavy_check_mark::x::heavy_check_mark:
SAC-AE:heavy_check_mark::x::x::heavy_check_mark::heavy_check_mark::heavy_check_mark:
DroQ:heavy_check_mark::x::x::heavy_check_mark::x::heavy_check_mark:
Dreamer-V1:heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
Dreamer-V2:heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
Dreamer-V3:heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V1):heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V2):heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V3):heavy_check_mark::x::heavy_check_mark::heavy_check_mark::heavy_check_mark::heavy_check_mark:

更多算法即将推出!如果您有任何特殊要求,请提交PR :sheep: sheeprl代理支持的动作类型如下:

算法连续离散多离散
A2C:heavy_check_mark::heavy_check_mark::heavy_check_mark:
A3C:heavy_check_mark::heavy_check_mark::heavy_check_mark:
PPO:heavy_check_mark::heavy_check_mark::heavy_check_mark:
PPO循环:heavy_check_mark::heavy_check_mark::heavy_check_mark:
SAC:heavy_check_mark::x::x:
SAC-AE:heavy_check_mark::x::x:
DroQ:heavy_check_mark::x::x:
Dreamer-V1:heavy_check_mark::heavy_check_mark::heavy_check_mark:
Dreamer-V2:heavy_check_mark::heavy_check_mark::heavy_check_mark:
Dreamer-V3:heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V1):heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V2):heavy_check_mark::heavy_check_mark::heavy_check_mark:
Plan2Explore (Dreamer V3):heavy_check_mark::heavy_check_mark::heavy_check_mark:

sheeprl支持的环境如下:

环境安装命令更多信息状态
经典控制pip install sheeprl:heavy_check_mark:
Box2Dpip install sheeprl[box2d]请先使用 pip install swig 安装 swig:heavy_check_mark:
Mujoco (Gymnasium)pip install sheeprl[mujoco]how_to/mujoco:heavy_check_mark:
Ataripip install sheeprl[atari]how_to/atari:heavy_check_mark:
DeepMind Controlpip install sheeprl[dmc]how_to/dmc:heavy_check_mark:
MineRLpip install sheeprl[minerl]how_to/minerl:heavy_check_mark:
MineDojopip install sheeprl[minedojo]how_to/minedojo:heavy_check_mark:
DIAMBRApip install sheeprl[diambra]how_to/diambra:heavy_check_mark:
Crafterpip install sheeprl[crafter]https://github.com/danijar/crafter:heavy_check_mark:
超级马里奥兄弟pip install sheeprl[supermario]https://github.com/Kautenja/gym-super-mario-bros/tree/master:heavy_check_mark:

为什么

我们希望提供一个既简单又可扩展的强化学习算法框架,这要归功于Lightning Fabric。

此外,在许多强化学习代码库中,强化学习算法与环境紧密耦合,这使得将它们扩展到gym接口之外变得更加困难。我们希望提供一个框架,允许轻松地将强化学习算法与环境解耦,从而可以与任何环境一起使用。

如何使用

安装

安装SheepRL有三种选择

  1. 直接从PyPi索引安装最新版本
  2. 克隆仓库并安装本地版本
  3. 使用GitHub克隆URL通过pip安装框架

以下是三种方法的说明。

从PyPi安装SheepRL

你可以通过以下命令安装SheepRL的最新版本

pip install sheeprl

[!注意]

要安装可选依赖项,可以运行例如 pip install sheeprl[atari,box2d,dev,mujoco,test]

有关可以安装的所有可选依赖项的详细信息,请查看What部分

克隆并安装本地版本

首先,使用以下命令克隆仓库:

git clone https://github.com/Eclectic-Sheep/sheeprl.git cd sheeprl

在新创建的文件夹内运行

pip install .

[!注意]

要安装可选依赖项,可以运行例如 pip install .[atari,box2d,dev,mujoco,test]

从GitHub仓库安装框架

如果你还没有这样做,请使用venv或conda创建一个环境。

示例将使用Python标准的venv模块,并假设使用macOS或Linux。

# 创建虚拟环境 python3 -m venv .venv # 激活环境 source .venv/bin/activate # 如果你不想安装额外的内容,如mujuco、atari,请执行 pip install "sheeprl @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持atari和mujuco环境,请执行 pip install "sheeprl[atari,mujoco,dev] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持box2d环境,请执行 pip install swig pip install "sheeprl[box2d] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持minedojo环境,请执行 pip install "sheeprl[minedojo,dev] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持minerl环境,请执行 pip install "sheeprl[minerl,dev] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持diambra环境,请执行 pip install "sheeprl[diambra,dev] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装支持超级马里奥兄弟环境,请执行 pip install "sheeprl[supermario,dev] @ git+https://github.com/Eclectic-Sheep/sheeprl.git" # 或者,要安装所有额外内容,请执行 pip install swig pip install "sheeprl[box2d,atari,mujoco,minerl,supermario,dev,test] @ git+https://github.com/Eclectic-Sheep/sheeprl.git"

额外说明:在M系列Mac上安装

[!警告]

如果你使用的是M系列Mac,并在安装过程中遇到归因于box2dpy的错误,你需要按照下面的说明安装SWIG。

建议使用homebrew安装SWIG以支持Gym

# 如果需要,安装homebrew /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" # 然后执行 brew install swig # 然后尝试使用首选方法进行pip安装,例如 pip install "sheeprl[atari,box2d,mujoco,dev,test] @ git+https://github.com/Eclectic-Sheep/sheeprl.git"

额外说明:MineRL和MineDojo

[!注意]

如果你想安装minedojominerl环境支持,需要Java JDK 8:你可以按照此链接的说明进行安装。 [!注意]

MineRLMineDojo 环境的要求存在冲突,因此请勿使用 pip install sheeprl[minerl,minedojo] 命令同时安装它们,而是在运行 MineRL 或 MineDojo 环境的实验之前,分别使用 pip install sheeprl[minerl]pip install sheeprl[minedojo] 命令单独安装

使用 SheepRL 运行实验

现在你可以使用已有的算法之一,或创建自己的算法。 例如,要在 CartPole 环境中训练一个只使用向量类观察的 PPO 代理,只需运行

python sheeprl.py exp=ppo env=gym env.id=CartPole-v1

如果你是从克隆的仓库安装的,或者

sheeprl exp=ppo env=gym env.id=CartPole-v1

如果你是从 PyPi 安装的 SheepRL。

同样,你可以通过以下命令查看所有可用的算法

python sheeprl/available_agents.py

如果你是从克隆的仓库安装的,或者

sheeprl-agents

如果你是从 PyPi 安装的 SheepRL。

使用 SheepRL 训练代理就是这么简单!🎉

在开始使用 SheepRL 框架之前,强烈建议你阅读以下说明文档:

  1. 如何运行实验
  2. 如何修改默认配置
  3. 如何处理步骤
  4. 如何选择观察

此外,howto 文件夹中还有其他有用的文档,这些文档包含了如何正确使用该框架的一些指导。

:chart_with_upwards_trend: 检查你的结果

一旦你训练了一个代理,将会创建一个名为 logs 的新文件夹,其中包含训练的日志。你可以使用 TensorBoard 来可视化它们:

tensorboard --logdir logs

https://github.com/Eclectic-Sheep/sheeprl/assets/7341604/46ad4acd-180d-449d-b46a-25b4a1f038d9

:nerd_face: 更多关于运行算法的信息

你运行的是使用默认配置的 PPO 算法。但你也可以通过向脚本传递参数来更改配置。

例如,在默认配置中,并行环境的数量是 4。让我们尝试通过传递 --num_envs 参数将其更改为 8:

sheeprl exp=ppo env=gym env.id=CartPole-v1 env.num_envs=8

所有可用的参数及其描述都列在 sheeprl/config 目录中。你可以在这里找到更多关于配置层次结构的信息。

使用 Lightning Fabric 运行

要使用 Lightning Fabric 运行算法,你需要通过 CLI 指定 Fabric 参数。例如,要在 2 个节点上使用 4 个并行环境运行 PPO 算法,你可以运行:

sheeprl fabric.accelerator=cpu fabric.strategy=ddp fabric.devices=2 exp=ppo env=gym env.id=CartPole-v1

你可以在这里查看 Lightning Fabric 的可用参数。

评估你的代理

你可以轻松地从检查点评估训练好的代理:训练配置会自动检索。

sheeprl-eval checkpoint_path=/path/to/checkpoint.ckpt fabric.accelerator=gpu env.capture_video=True

有关更多信息,请查看相应的使用说明

:book: 仓库结构

仓库的结构如下:

  • algos:包含算法的实现。每个算法都在一个单独的文件夹中,并(可能)包含以下文件:

    • <algorithm>.py:包含算法的实现。
    • <algorithm>_decoupled.py:包含算法的解耦版本的实现(如果存在)。
    • agent:可选,包含代理的实现。
    • loss.py:包含算法的损失函数的实现。
    • utils.py:包含算法的实用函数。
  • configs:包含算法的默认配置。

  • data:包含数据缓冲区的实现。

  • envs:包含环境包装器的实现。

  • models:包含一些标准模型(构建块)的实现,如多层感知器(MLP)或简单的卷积网络(NatureCNN)

  • utils:包含框架的实用函数。

耦合与解耦

在算法的耦合版本中,代理与环境交互并执行训练循环。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c94fead7-d169-4c31-a703-438296644930.png"> </p>

在解耦版本中,一个进程只负责与环境交互,所有其他进程负责执行训练循环。两个进程通过分布式集体,采用 Fabric 的 TorchCollective 提供的抽象进行通信。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/b63d5abb-e5ea-4356-89f9-d008d69f48f9.png"> </p>

耦合

算法在 <algorithm>.py 文件中实现。

这个脚本中有 2 个函数:

  • main():初始化算法的所有组件,并执行与环境的交互。一旦收集了足够的数据,就通过调用 train() 函数执行训练循环。
  • train():执行训练循环。它从缓冲区采样一批数据,计算损失,并更新代理的参数。

解耦

算法的解耦版本在 <algorithm>_decoupled.py 文件中实现。

这个脚本中有 3 个函数:

  • main():初始化算法的所有组件,玩家和训练器之间通信的集体,并调用 player()trainer() 函数。
  • player():执行与环境的交互。它从策略网络采样一个动作,在环境中执行它,并将转换存储在缓冲区中。在与环境进行预定义次数的交互后,玩家将收集的数据随机分成几乎相等的块,并分别发送给训练器。然后等待训练器完成代理更新。
  • trainer():执行训练循环。它从玩家接收一块数据,计算损失,并更新代理的参数。代理更新后,第一个训练器将更新后的代理权重发送回玩家,玩家可以再次与环境交互。

算法实现

你可以查看每个算法文件夹中的 README.md 文件,了解实现的详细信息。

所有算法都尽可能保持简单,采用 CleanRL 的风格。但为了提高灵活性和清晰度,我们尝试抽象出与算法训练循环不直接相关的任何内容。

例如,我们决定创建一个 models 文件夹,其中包含已经制作好的模型,可以组合起来创建代理的模型。

对于每个算法,损失函数都保存在单独的模块中,以便它们的实现清晰,并且可以轻松用于算法的解耦版本或循环版本。

:card_index_dividers: 缓冲区

对于缓冲区的实现,我们选择使用一个包装 Numpy 数组字典的方式。

为了实现一种简单的方式来使用 numpy 内存映射数组,我们实现了 sheeprl.utils.memmap.MemmapArray,这是一个处理内存映射数组的容器。 这种灵活性使得实现变得非常简单,通过使用 ReplayBufferSequentialReplayBufferEpisodeBufferEnvIndependentReplayBuffer 这些类,可以实现所有用于在线策略和离线策略算法所需的缓冲区。

:mag: 技术细节

字典中 Numpy 数组的形状为 (T, B, *),其中 T 是时间步数,B 是并行环境数,* 是数据的形状。

要将 ReplayBuffer 用作 RolloutBuffer,必须指定适当的 buffer_size。例如,对于 PPO 算法,buffer_size 必须是 [T, B],其中 T 是时间步数,B 是并行环境数。

:bow: 贡献

贡献的最佳方式是通过开启一个 issue 来讨论新功能或 bug,或者通过开启一个 PR 来修复 bug 或添加新功能。

:mailbox_with_no_mail: 联系方式

如有任何进一步的问题或讨论,您可以联系我们:

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