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

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