all-seeing

全景视觉识别与关系理解的开放世界AI系统

All-Seeing Project 视觉识别关系理解大规模数据集多模态模型 Github 开源项目

All-Seeing项目开发了全面的视觉识别和理解系统。该项目推出AS-1B大规模数据集和ASM视觉语言模型，实现开放世界的全景视觉识别。其第二版引入关系对话任务，构建AS-V2数据集和ASMv2模型，增强关系理解能力。此外，项目提出CRPE基准测试，为评估关系理解提供系统平台。

ai-video-search-engine - 智能视频内容检索与分析系统

AI视频搜索引擎GithubJigsawStack向量搜索开源项目视频内容索引视频转录

AI Video Search Engine项目是一种创新型视频搜索引擎，采用先进AI技术实现视频内容的深度索引和智能检索。该系统能够精确定位视频中的特定信息，提供上下文相关的搜索结果，并具备视频摘要生成和智能对话功能。项目整合了Supabase、Hasura和JigsawStack等技术，为视频内容检索提供高效、精准的解决方案，适用于教育、研究和信息获取等领域。

BEVFormer - 多摄像头鸟瞰图学习框架助力自动驾驶感知

BEVFormerGithub多相机感知开源项目目标检测自动驾驶鸟瞰图表示

BEVFormer是一个用于自动驾驶感知的开源框架,通过时空Transformer从多摄像头图像中学习统一的鸟瞰图表示。该方法利用预定义的网格查询,结合空间交叉注意力和时间自注意力机制,有效聚合多视角的空间和时序信息。在nuScenes测试集上,BEVFormer达到56.9%的NDS指标,显著超越现有方法,与激光雷达系统性能相当。这一创新为基于纯视觉的3D目标检测提供了新的基准。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

openvision - 通过开源项目OpenVision体验无缝结合Midjourney美学的图像风格

AI生成BittensorGithubHuggingfaceMidjourney风格OpenVision图像增强开源项目模型

OpenVision项目融合了Midjourney的独特美学，生成的图像无需后期调整仍具风格和细节表现，尤其在人像图像的处理上更加出色。该项目通过Bittensor网络生成，支持构建去中心化的开源AI模型，可使用diffusers和StableDiffusionXLPipeline轻松实现图像创建。

supervision - 可重复的计算机视觉工具

GithubSupervision图像标注开源项目数据集工具模型连接器计算机视觉

Supervision 是一个模型无关的计算机视觉工具包，支持分类、检测和分割模型的集成。用户可以加载数据集、可视化检测结果并进行区域统计。该工具包提供了丰富的注释和数据集处理功能，适用于零售和交通管理等领域。了解更多关于使用 Supervision 加速计算机视觉应用开发的信息。

album-ai - 使用智能对话管理图库的工具

AI聊天相册Album AIGPT-4-o-miniGithubOpenAI元数据自动生成开源项目

Album AI 利用前沿的GPT-4-o-mini和Haiku视觉模型自动识别图像元数据，支持高效的图像对话，实现智能相册管理。支持图片自动识别、元数据向量化，容易部署，提供开源许可，适合各种规模的使用场景。

Awesome-Multimodal-LLM-Autonomous-Driving - 多模态大语言模型推动自动驾驶技术创新

GithubWACV人工智能多模态大语言模型开源项目自动驾驶计算机视觉

该资源库汇集自动驾驶领域多模态大语言模型(MLLM)相关研究,全面介绍MLLM在感知、规划和控制方面的应用。内容涵盖最新模型、数据集和基准,并总结WACV 2024 LLVM-AD研讨会成果。项目探讨了MLLM应用于自动驾驶系统的挑战和机遇,为研究人员和工程师提供了解该前沿领域发展的宝贵参考。

Awesome-World-Model - 自动驾驶领域的世界模型研究与应用进展

Autonomous DrivingCVPRGenerative AIGithubSurveyWorld Models开源项目

Llama-3.2-90B-Vision - 前沿视觉语言模型助力图像识别和推理

GithubHuggingfaceLlama 3.2Meta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

Llama-3.2-90B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入并输出文本。该模型在视觉识别、图像推理、描述和问答等任务中表现优异,性能超越多个开源和闭源多模态模型。基于Llama 3.1文本模型,通过视觉适配器实现图像理解,支持128K上下文长度。经指令微调后可用于商业和研究,适用于多种视觉语言任务。使用需遵守Llama 3.2社区许可协议。

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