Project Icon

blip-itm-large-flickr

多任务视觉-语言理解与生成模型

BLIP是一个视觉-语言预训练框架,利用Flickr30k数据集提升图像-文本匹配性能。通过合成标题的生成与过滤机制,减少噪声数据对结果的影响。BLIP在多项任务上表现出色,包括图像-文本检索、图像标题生成和视觉问答,此外,还具备视频语言任务的泛化能力。该模型支持条件与无条件的图像标题生成,应用灵活多样。

CLIP-ViT-B-16-laion2B-s34B-b88K - 基于LAION-2B数据集训练的CLIP零样本图像分类模型
CLIPGithubHuggingfaceLAION-2B图像分类多模态模型开源项目模型零样本学习
CLIP-ViT-B-16-laion2B-s34B-b88K是基于LAION-2B英文数据集训练的CLIP ViT-B/16模型,在ImageNet-1k上达到70.2%的零样本Top-1准确率。该模型适用于零样本图像分类、图像文本检索等任务,也可用于图像分类微调、线性探测分类和图像生成引导等下游任务。本模型主要面向研究用途,不适合直接应用于商业场景。
unilm - Unilm项目实现跨任务、语言和模态的大规模自监督预训练
Foundation ModelsGithubLarge-scaleMulti-modalTorchScale开源项目预训练
Unilm项目跨越100多种语言及包括语言、视觉、语音及其交互的多种模态,专注于基础模型和普适AI的研究。该项目已开发多种新型架构如DeepNet、Magneto,并通过稳定高效的训练方法增强模型的通用性和能力。此外,项目已发布关键技术如E5、BEiT-3,涵盖自然语言处理、机器翻译、文档AI及多模态AI等领域,为AI技术的前沿发展和实际应用做出了显著进展。
nomic-embed-vision-v1 - 共享文本空间的先进视觉嵌入模型
GithubHuggingfaceTransformersnomic-embed-vision-v1图像嵌入多模态开源项目模型视觉模型
nomic-embed-vision-v1是一款先进的视觉嵌入模型,与nomic-embed-text-v1共享嵌入空间。在ImageNet零样本和Datacomp基准测试中,该模型表现优异,超越OpenAI CLIP和Jina CLIP等同类产品。支持多模态检索功能,适用于文本到图像检索等应用场景。开发者可通过Nomic嵌入API或Transformers库便捷地集成该模型,实现图像嵌入生成。
Florence-2-large - 多任务视觉AI的统一解决方案
Florence-2GithubHuggingface人工智能图像处理多任务学习开源项目模型计算机视觉
Florence-2是一个由微软开发的视觉基础模型,能够处理多种视觉和视觉-语言任务。该模型通过解释简单的文本提示,可以执行图像描述、目标检测和分割等任务。Florence-2基于FLD-5B数据集进行训练,在零样本和微调场景下均表现优异。模型提供不同规模的版本,支持多种视觉任务,为研究人员和开发者提供了一个versatile的视觉AI工具。
clifs - 自然语言视频帧内容搜索系统
CLIFSGithubOpenAI's CLIPdjango图像编码器开源项目视频内容搜索
CLIFS利用OpenAI的CLIP模型,通过自然语言在视频中搜索匹配的帧内容。项目通过提取视频帧特征并与文本查询特征进行相似性匹配,返回结果。Django构建的搜索引擎界面支持自定义视频文件的索引和搜索。
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。
LLMGA - 用于精确图像生成和编辑的多模态大语言模型
ECCV2024GithubLLMGA图像生成多模态大模型开源项目
LLMGA基于多模态大语言模型,提供图像生成与编辑解决方案。结合Stable Diffusion和详细语言生成提示,项目提升了上下文理解并减少生成过程中的噪音,增强图像内容的精度。LLMGA支持文本到图像(T2I)、补画、扩画及指令编辑,适用于Logo设计、海报制作和故事绘本生成,支持中英文指令。广泛的模型和数据集选择满足不同需求,是理想的图像生成和编辑助手。
MultiBooth - 基于文本的多概念图像生成技术
GithubMultiBooth图像生成多概念定制开源项目扩散模型文本到图像
MultiBooth是一种新型多概念图像生成技术,通过单概念学习和多概念集成两个阶段提高了生成效果。该方法使用多模态图像编码器和概念编码技术,学习每个概念的表示,并利用边界框定义生成区域,实现高质量的多概念图像生成。MultiBooth在生成质量和计算效率方面均优于现有方法,为文本到图像生成领域提供了新的解决方案。
Open-MAGVIT2 - 自回归视觉生成新突破 大幅提升图像分词性能
GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成
Open-MAGVIT2是一个创新的自回归视觉生成项目,采用无查找技术和262144大小的码本,克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器,在图像分词方面取得显著进展,8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展,目前处于积极开发阶段,未来计划拓展至视频生成领域。
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