📌 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。
如果可能的话,请打开音乐 🎧
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-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。
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>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。
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 .
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>
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>
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>
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>
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>
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
。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>
# 安装 gradio 和其他依赖 pip install gradio==4.22.0 pip install gradio-image-prompter
python gradio_demo.py --trex2_api_token <your_token>
:fire: 我们发布了 DINOv 的训练和推理代码和演示链接,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!
@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}
}
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。
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。
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。
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。
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 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。
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。
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。
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 ×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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号