T-Rex

T-Rex

融合文本和视觉提示的通用目标检测模型

T-Rex2是一款融合文本和视觉提示的通用目标检测模型。它突破传统模型局限,具备零样本检测能力,适用于农业、工业和生物医学等领域。该模型支持交互式视觉提示、通用视觉提示和文本提示三种工作流程,满足多样化的目标检测需求。项目提供在线演示和API接口,便于快速体验和集成。

T-Rex2目标检测计算机视觉视觉提示APIGithub开源项目
<div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/b0570e82-8fba-41da-9c50-70f34fa5a818.jpg" width=900 > </div> <div align=center> <p>一图胜千言,同样,为图片添加的文字也意味深长。</p> </div> <div align=center>

Static Badge arXiv preprint Homepage Hits Static Badge

</div>

📌 如果您觉得我们的项目有帮助,需要更多的API令牌配额,您可以通过填写此表格申请额外的令牌。我们的团队将审核您的请求,并在一两天内为您分配更多令牌。您也可以通过发送电子邮件给我们申请更多令牌。


介绍视频 🎥

如果可能的话,请打开音乐 🎧

视频名称

新闻 📰

  • 2024-06-24: 我们基于T-Rex2推出了两款新的免费产品:
    • Count Anything APP:CountAnything是一款多功能、高效且经济实惠的计数工具,它利用先进的计算机视觉算法,特别是T-Rex,进行自动计数。适用于制造业、农业和水产养殖业等多个行业。

视频名称

  • T-Rex Label:T-Rex Label是一款由T-Rex2驱动的高级标注工具,专门设计用于处理各种行业和场景的复杂性。它是那些旨在简化工作流程并轻松创建高质量数据集的人的理想选择。

视频名称

  • 2024-05-17: Grounding DINO 1.5已发布。这是IDEA Research最强大的开放世界目标检测模型系列。它可以通过文本提示检测任何对象!

目录 📜

1. 简介 📚

目标检测,即在图像中定位和识别物体的能力,是计算机视觉的基石,对从自动驾驶到内容审核的应用至关重要。传统目标检测模型的一个显著局限性是它们的封闭集性质。这些模型是在预定义的类别集上训练的,限制了它们只能识别这些特定类别。训练过程本身也很艰巨,需要专业知识、大量数据集和复杂的模型调整才能达到理想的准确度。此外,引入新的对象类别会加剧这些挑战,需要重复整个过程。

T-Rex2通过在一个模型中整合文本和视觉提示来解决这些限制,从而利用两种模态的优势。文本和视觉提示的协同效应使T-Rex2具备强大的零样本能力,使其成为不断变化的目标检测领域中的多功能工具。

<div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/813ec769-7175-445d-9239-cb6c17947c33.jpg" width=600 > </div>

T-Rex能做什么 📝

T-Rex2适用于各种现实世界的应用,包括但不限于:农业、工业、畜牧业和野生动物监测、生物学、医学、OCR、零售、电子、交通、物流等。T-Rex2主要支持三种主要工作流程,包括交互式视觉提示工作流程、通用视觉提示工作流程和文本提示工作流程。它可以覆盖大多数需要目标检测的应用场景。

视频名称

2. 试用演示 🎮

我们现在开放了T-Rex2的在线演示。在这里查看我们的演示

<div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/d39ef63d-0a0b-4f9d-92b1-24b4bb31c686.jpg"> </div>

3. API 使用示例📚

我们现在开放了 T-Rex2 的免费 API 访问。对于教育工作者、学生和研究人员,我们提供了一个可以长时间使用的 API,以支持您的教育和研究工作。您可以在这里申请 API

设置

安装 API 包并从邮件中获取 API 令牌。

git clone https://github.com/IDEA-Research/T-Rex.git cd T-Rex pip install dds-cloudapi-sdk==0.1.1 pip install -v -e .

交互式视觉提示 API

  • 在交互式视觉提示工作流程中,用户可以在给定图像上以框或点的形式提供视觉提示,以指定要检测的对象。

    python demo_examples/interactive_inference.py --token <your_token>
    • 您应该会在 demo_vis/ 中看到以下可视化结果 <div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/955232ad-e2d1-45de-b81e-205e70553e87.jpg" width=400 > <img src="https://yellow-cdn.veclightyear.com/835a84d5/03ced93c-589b-46ad-9f7e-0fe8ff70963e.jpg" height=285 > </div>

通用视觉提示 API

  • 在通用视觉提示工作流程中,用户可以在一张参考图像上提供视觉提示,并在另一张图像上进行检测。

    python demo_examples/generic_inference.py --token <your_token>
    • 您应该会在 demo_vis/ 中看到以下可视化结果 <div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c401e803-21cf-4991-9156-c3b2e4349d9d.jpg" width=280 > + <img src="https://yellow-cdn.veclightyear.com/835a84d5/932abf04-a9e6-46c3-90ae-67991ea1ebe1.jpg" width=280 > = <img src="https://yellow-cdn.veclightyear.com/835a84d5/e887565d-3dd4-4c2d-bf08-6eb0d7d9c81e.jpg" width=280 > </div>

自定义视觉提示嵌入 API

在这个工作流程中,您可以使用多张图像为一个对象类别自定义视觉嵌入。有了这个嵌入,您可以在任何图像上进行检测。

python demo_examples/customize_embedding.py --token <your_token>
  • 您应该会得到一个 safetensors 格式的视觉提示嵌入下载链接。保存它,然后我们用它来进行 embedding_inference

嵌入推理 API

使用从上一个 API 生成的视觉提示嵌入,您可以在任何图像上进行检测。

python demo_examples/embedding_inference.py --token <your_token>

4. 使用 API 的本地 Gradio 演示🎨

<div align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/29443f20-b139-46d3-b10b-8e07f60703e1.jpg" width=500> </div>

4.1. 设置

  • 如果您还没有安装 T-Rex2 API,请先安装
# 安装 gradio 和其他依赖 pip install gradio==4.22.0 pip install gradio-image-prompter

4.2. 运行 Gradio 演示

python gradio_demo.py --trex2_api_token <your_token>

4.3. 基本操作

  • 绘制框:在图像上绘制一个框来指定要检测的对象。拖动鼠标左键来绘制框。
  • 绘制点:在图像上绘制一个点来指定要检测的对象。单击鼠标左键来绘制点。
  • 交互式视觉提示:在给定图像上以框或点的形式提供视觉提示,以指定要检测的对象。输入目标图像和交互式视觉提示图像应该相同。
  • 通用视觉提示:在多个参考图像上提供视觉提示,并在另一张图像上进行检测。

5. 相关工作

:fire: 我们发布了 DINOv训练和推理代码演示链接,它可以处理开放集和指代检测与分割的上下文视觉提示。快来看看吧!

BibTeX 📚

@misc{jiang2024trex2,
      title={T-Rex2: Towards Generic Object Detection via Text-Visual Prompt Synergy}, 
      author={Qing Jiang and Feng Li and Zhaoyang Zeng and Tianhe Ren and Shilong Liu and Lei Zhang},
      year={2024},
      eprint={2403.14610},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多