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。

访问官网

Github

文档

论文

介绍相关项目

grounding-dino-tiny - Grounding DINO模型实现开放集目标检测的创新突破

GithubGrounding DINOHuggingface开源项目模型深度学习目标检测计算机视觉零样本学习

Grounding DINO模型通过结合DINO与接地预训练技术，实现了开放集目标检测。该模型添加文本编码器，扩展了传统闭集检测模型的能力，可进行零样本目标检测。在COCO数据集上，Grounding DINO取得了52.5 AP的优秀成绩，为计算机视觉中未标记物体的识别提供了新的解决方案。

detr-resnet-50 - DETR 基于Transformer的创新目标检测模型

COCO数据集DETRGithubHuggingfaceResNet-50Transformer开源项目模型目标检测

DETR-ResNet-50是一种创新的目标检测模型，融合Transformer架构与ResNet-50骨干网络。该模型采用端到端训练方法，简化了传统目标检测流程。经COCO 2017数据集训练后，DETR能高效检测和定位图像中的多个物体，在目标检测任务中实现42.0的平均精度（AP）。其简洁设计和卓越性能为计算机视觉领域带来新的可能。

TencentPretrain - 多模态预训练和微调框架，支持文本、视觉与音频数据

GithubTencentPretrain下游任务多模态开源项目模型库预训练

腾讯开发的多模态预训练框架TencentPretrain，专为文本、视觉和音频数据设计，具有高效的模块化设计，便于使用现有预训练模型并提供扩展接口。支持CPU、单GPU及分布式训练模式，拥有丰富的预训练模型，适用于如分类、机器阅读理解等多种下游任务，在多个竞赛中表现优异。详见完整文档及快速入门指南。

dinov2 - 通过无监督学习构建强大视觉特征的先进方法

DINOv2GithubVision Transformer开源项目自监督学习视觉特征计算机视觉

DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。

detr-resnet-50-panoptic - DETR模型：结合ResNet-50的端到端目标检测与全景分割

DETRGithubHuggingfaceTransformer开源项目模型目标检测计算机视觉语义分割

DETR-ResNet-50是一种创新的目标检测模型，融合了Transformer和卷积神经网络技术。该模型在COCO数据集上训练，支持端到端的目标检测和全景分割。通过100个对象查询机制，DETR实现了高效准确的目标识别。在COCO 2017验证集上，模型展现出优秀性能：框AP为38.8，分割AP为31.1，全景质量(PQ)达43.4。这一模型为计算机视觉任务提供了新的解决方案。

Stable-DINO - 基于稳定匹配的高性能目标检测模型

COCO数据集GithubStable-DINO开源项目深度学习目标检测计算机视觉

项目采用稳定匹配算法，结合检测变压器架构，在目标检测领域取得突破。模型在COCO数据集上实现63.8 AP，具有高性能、易用性和低计算开销等特点。Stable-DINO可与现有DETR变体整合，并在多种backbone下表现出色。该技术不仅适用于目标检测，还可扩展到实例分割等相关任务。

YOLO-World - 下一代实时开放词汇目标检测模型

GithubYOLO-World开放词汇开源项目目标检测零样本学习预训练模型

YOLO-World是一款创新的实时开放词汇目标检测模型。经过大规模数据集预训练,它展现出卓越的开放词汇检测和定位能力。采用'先提示后检测'范式,YOLO-World通过重参数化技术实现高效的自定义词汇推理。该模型支持零样本目标检测、分割等多种任务,并开源了在线演示、预训练权重和微调代码,为计算机视觉领域提供了实用的研究与应用工具。

Tarsier-7b - 开源大规模视频语言模型，提升视频描述和理解能力

GithubHuggingfaceTarsier人工智能开源项目机器学习模型视频描述计算机视觉

Tarsier-7b是一个开放源代码的视频语言模型，专注于视频描述和理解。该模型使用两阶段的训练策略以增强性能，能够生成高质量的视频描述。训练过程包括多任务预训练和多粒度微调，并通过多种数据集进行评估，从而保证出色性能。适合从事计算机视觉与自然语言处理研究的研究人员和爱好者使用，可在相关平台获取更多信息。

TengineKit - 多功能AI算法SDK，涵盖人脸检测、特征点定位、3D人脸识别和眼部虹膜追踪等功能

AI算法GithubTengineKit人脸检测开源项目手部检测移动端

由OPEN AI LAB开发，TengineKit提供全方位的AI算法SDK解决方案，覆盖人脸检测、特征点定位、3D人脸识别和眼部虹膜追踪等功能。适用于多种移动设备，保证了优异的跨平台性能和低延迟的实时处理效果。而且，持续的技术更新使得TengineKit在行业中保持领先。

Grounded-SAM-2 - 多模态视频目标检测与分割框架

GithubGrounding DINOSAM 2图像分割开源项目目标检测视频追踪

Grounded-SAM-2是一个开源项目，结合Grounding DINO和SAM 2技术，实现图像和视频中的目标检测、分割和跟踪。该项目支持自定义视频输入和多种提示类型，适用于广泛的视觉任务。通过简化代码实现和提供详细文档，Grounded-SAM-2提高了易用性。项目展示了开放世界模型在处理复杂视觉任务中的潜力，为研究人员和开发者提供了强大的工具。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com