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。

Mantis - 基于LLaMA-3的先进多图像理解AI模型

GithubLLaMA-3Mantis人工智能多图像指令调优大型多模态模型开源项目

Mantis是基于LLaMA-3的大型多模态模型,专注于多图像视觉语言任务。通过在Mantis-Instruct数据集上进行36小时的指令微调,该模型在5个多图像基准测试中实现了领先性能。Mantis能处理交错的文本和图像输入,有效应对复杂多图像任务,同时保持出色的单图像处理能力。项目开源了代码、模型和演示,为AI研究和开发提供了强大的多图像处理工具。

CV - 全面的计算机视觉深度学习模型集合

Github图像分类开源项目深度学习目标检测计算机视觉语义分割

这个项目收集了多个计算机视觉领域的深度学习模型，包括图像分类、目标检测、语义分割和生成模型。项目为每个模型提供论文链接、详细解析和代码实现，涵盖从AlexNet到YOLO系列等经典算法。这是一个面向研究人员和开发者的综合性学习资源，有助于理解和应用先进的计算机视觉技术。

deepdataspace - 开源计算机视觉数据集工具提供可视化标注和分析功能

DeepDataSpaceGithub开源数据集工具开源项目数据可视化数据标注模型分析

DeepDataSpace是一个开源计算机视觉数据集工具，提供交互式数据可视化、探索和智能标注功能。支持多平台和协作工作流，易于安装使用。通过直观界面帮助用户高效管理和分析大规模图像数据集，适用于CV项目开发和研究。

seemore - PyTorch实现的开源视觉语言模型项目

AIGithubPytorchVision Language Model图像处理开源项目机器学习

seemore是一个基于PyTorch的开源视觉语言模型(VLM)项目。它包括图像编码器、视觉-语言投影器和解码器三个核心组件，参考了CLIP和LLaVA等前沿VLM架构。项目提供完整代码实现和详细教程，有助于开发者理解VLM原理。seemore在Databricks平台开发，支持GPU加速，并集成MLFlow用于实验管理。

OpenShape_code - 革新3D形状表示方法实现开放世界理解

3D形状表示GithubOpenShape多模态检索开放世界理解开源项目零样本分类

该项目开发了新型3D形状表示方法，通过大规模训练实现开放世界理解。这一技术在零样本3D形状分类、检索和语义理解任务中表现优异，支持多模态交互并能进行点云描述和图像生成。提供的在线演示、预训练模型和训练代码为3D视觉研究与应用拓展了新方向。

vision-agent - 开源AI代理库用于生成计算机视觉代码

AI代码生成GithubOpenAI APIVision Agent图像处理开源项目计算机视觉

Vision Agent是一个开源库，通过AI代理框架快速生成计算机视觉任务代码。用户可以用文本描述问题，AI代理会生成相应的解决方案。该库包括对话型VisionAgent和代码生成型VisionAgentCoder两种代理，提供多种视觉工具，支持自定义工具添加，并可与Azure OpenAI集成。Vision Agent能将解决视觉问题的时间大幅缩短，提高开发效率。

Real3D - 基于真实图像的大规模3D重建模型

3D重建GithubReal3D开源项目深度学习自监督学习计算机视觉

Real3D是一种创新的大规模3D重建模型系统，首次实现了使用单视图真实图像进行训练。该系统采用自训练框架，结合3D/多视图合成数据和单视图真实图像，并引入两种无监督损失函数，实现像素和语义层面的模型监督。在包含真实和合成数据、域内和域外形状的四种评估场景中，Real3D均显著优于现有方法。

llava-onevision-qwen2-72b-ov-sft - 基于Qwen2的多模态AI模型支持图像和视频交互

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态模型开源项目模型视频处理

LLaVA-OneVision是基于Qwen2的多模态AI模型，支持图像、多图和视频交互。模型在专用数据集上训练，具有32K tokens上下文窗口，提供0.5B、7B和72B三种规模。支持英语和中文，可处理单图、多图和视频输入。项目开源了代码、在线演示和论文，为AI研究和开发提供了实用工具。

Fast-BEV - 新一代鸟瞰视角感知系统

Fast-BEVGithub开源项目深度学习自动驾驶计算机视觉鸟瞰图感知

Fast-BEV是一种先进的鸟瞰视角感知系统，专注于3D目标检测和BEV语义分割。该项目针对自动驾驶等应用场景进行了优化，提供多种模型配置和CUDA、TensorRT加速支持。Fast-BEV不仅在性能和速度方面表现卓越，还提供了完整的安装指南、数据准备流程和训练方法，为研究人员和开发者提供了强大的工具。作为领先的感知算法和计算机视觉解决方案，Fast-BEV为鸟瞰视角感知任务设立了新的标准。

SeeAct - 基于多模态GPT模型的网页任务自动化解决方案

GPT-4V(ision)GithubMind2WebSeeActweb代理多模态模型开源项目

SeeAct采用多模态GPT模型（如GPT-4V(ision)），提供网页任务自动化的解决方案，支持OpenAI和Google的多种语言模型，并与Playwright浏览器无缝集成。适用于网页代理测试与评估，支持多种配置和自定义任务，实现安全操作和实时监控。Multimodal-Mind2Web数据集提供丰富的网页截图和HTML文本，便于实验和评估。

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