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

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多