Project Icon

vision-lstm

将LSTM技术创新应用于计算机视觉的前沿架构

Vision-LSTM (ViL)是一个将LSTM技术创新应用于计算机视觉的开源项目。它提供了简洁的架构实现和完整的训练流程,在ImageNet-1K等视觉任务上表现优异。ViL支持多种模型配置,并提供预训练权重。项目采用双向LSTM结构,支持不同尺寸的模型(如tiny、small、base等),并提供了适用于长序列的fine-tuning版本。包含详细文档和示例,方便研究人员和开发者探索LSTM在视觉领域的应用。

ViT-SO400M-14-SigLIP - 基于SigLIP的视觉-语言模型实现零样本图像分类
GithubHuggingfaceSigLIPViT图像分类开源项目机器学习模型自然语言处理
ViT-SO400M-14-SigLIP是基于WebLI数据集训练的视觉-语言预训练模型,采用sigmoid损失函数进行图像和文本的联合学习。该模型在零样本图像分类任务中表现出色,具有良好的跨模态理解能力。通过OpenCLIP和timm库,用户可以方便地使用该模型生成图像和文本嵌入。ViT-SO400M-14-SigLIP适用于图像分类、图像检索等多种计算机视觉和自然语言处理任务。
Video-LLaVA-7B-hf - 基于LLM的统一视觉模型实现图像和视频的智能处理
GithubHuggingfaceVideo-LLaVA多模态模型开源项目模型视觉识别视频分析语言模型
Video-LLaVA是一个基于Vicuna-13b的开源多模态模型,通过统一的视觉表示编码器实现图像和视频内容的并行处理。该模型采用语言对齐投影方式,无需图像-视频配对数据即可完成训练。模型支持图像和视频的混合输入,可应用于内容理解、问答和描述等视觉分析任务。
InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解
GithubHuggingfaceInternVL2人工智能多模态大语言模型开源项目模型自然语言处理计算机视觉
InternVL2-1B是一款新型多模态大语言模型,结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异,能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出,部分能力可与商业模型比肩。通过采用8k上下文窗口训练,该模型大幅提升了处理长输入序列的能力。
LAVIS - 多任务语言与视觉模型的统一接口和便捷数据下载工具
BLIPGithubLAVISSalesforceX-InstructBLIPlanguage-vision开源项目
LAVIS是一款用于语言与视觉智能研究的Python库,提供统一接口,支持图像文本预训练、检索和视觉问答等10多种任务,并包含20多个数据集和30多个预训练模型。其模块化设计和自动下载工具简化了数据准备和模型训练,是开发多模态应用的理想选择。
ml-cvnets - 灵活的计算机视觉模型训练库
CVNetsGithub图像分类对象检测开源项目模型训练计算机视觉
CVNets是一个计算机视觉库,支持研究人员和工程师训练和评估多种计算机视觉模型,包括对象分类、对象检测和语义分割等任务。最新版本引入了直接处理文件字节的Transformer和高效在线增强,支持如Mask R-CNN、EfficientNet、Swin Transformer和ViT等模型,并增强了蒸馏功能。
LLaVAR - 优化视觉指令微调的文本丰富图像理解模型
GithubLLaVAROCR能力多模态大语言模型开源项目文本丰富图像理解视觉指令微调
LLaVAR项目致力于增强大型语言模型对文本丰富图像的理解能力。通过改进视觉指令微调方法,该项目显著提升了模型在OCR相关任务上的表现。LLaVAR开源了模型权重、训练数据,并提供了环境配置、训练脚本和评估方法,为相关研究和开发提供了全面支持。
LaVie - 级联潜在扩散模型实现高质量视频生成
AI视频制作GithubLaVie开源项目文本生成视频潜在扩散模型视频生成
LaVie是一个基于级联潜在扩散模型的文本到视频生成框架。它通过基础模型生成、视频插值和超分辨率三个步骤,可生成16至61帧、最高1280x2048分辨率的高质量视频。该框架支持多种采样方法和参数调整,用户可通过简单命令生成不同风格视频。LaVie开源了模型代码和预训练权重,便于学术研究和商业应用。
smol-vision - 前沿视觉模型优化与定制的实用技巧集锦
GithubONNX量化Smol Vision开源项目模型微调知识蒸馏视觉模型优化
smol-vision项目汇集了多种视觉模型优化技术,包括量化、ONNX转换、模型微调和知识蒸馏。项目提供了实用示例,展示如何使用Optimum优化目标检测模型、微调PaliGemma和Florence-2视觉语言模型,以及通过torch.compile加速基础模型。这些方法旨在帮助开发者提高模型性能、缩小规模和加快推理速度,使模型更好地适应各种硬件环境。
ViT-Prisma - 视觉变换器和CLIP模型机制解析开源库
GithubVision Transformer图像处理开源库开源项目机器学习解释性神经网络可视化
ViT-Prisma是一个专注于Vision Transformer和CLIP模型的开源机制解析库。它提供logit归因、注意力可视化和激活修补等技术,用于深入分析模型内部机制。该库还包含ViT训练代码和预训练模型,支持ImageNet-1k和dSprites分类任务。ViT-Prisma为视觉模型可解释性研究提供了实用的工具集。
big_vision - 基于Jax/Flax的大规模视觉模型训练框架
GithubJaxbig vision开源项目模型训练深度学习计算机视觉
Big Vision是一个用于训练大规模视觉模型的开源代码库。它基于Jax/Flax构建,支持在Cloud TPU VM和GPU上运行。该项目采用tf.data和TensorFlow Datasets实现高效的数据处理,可无缝扩展至2048个TPU核心的分布式环境。Big Vision涵盖了视觉Transformer、多模态学习、知识蒸馏等多个研究方向,为大规模视觉实验提供了可靠的基础。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号