Logo
Project Icon

evf-sam2

EVF-SAM优化文本引导的Segment Anything Model性能

模型Github图像分割视觉语言融合开源项目HuggingfaceEVF-SAM计算机视觉深度学习

EVF-SAM项目利用早期视觉语言融合技术，提高了文本引导的Segment Anything Model性能。该开源项目为图像和视频分割任务提供解决方案，支持文本提示输入。用户可在GitHub获取源代码，通过inference.py和inference_video.py文件了解使用方法。目前需从源代码导入模型脚本，尚不支持AutoModel.from_pretrained(...)功能。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
Emu3-VisionTokenizer - Emu3多模态模型通过单一预测方法实现突破性能
Emu3GithubHuggingface人工智能图像生成多模态模型开源项目模型视频生成
Emu3是一套创新的多模态模型,采用单一的下一个令牌预测方法进行训练。该模型将图像、文本和视频统一处理,从头训练单个Transformer模型。在生成和理解任务中,Emu3的表现超越了SDXL、LLaVA-1.6和OpenSora-1.2等知名模型,无需复杂架构。Emu3能生成高质量图像、理解视觉语言,并通过简单预测生成连贯视频,展现了多模态AI的新可能。
mmsegmentation - 高效的PyTorch语义分割工具箱与新特性介绍
GithubMMSegmentationOpenMMLabPyTorchv1.0.0开源项目语义分割
MMSegmentation是基于PyTorch的开源语义分割框架，提供模块化设计和统一基准，支持多种算法。最新v1.2.0版本新增开放词汇语义分割和单目深度估计功能，提升训练效率和快速部署体验。
cogvlm-chat-hf - 开源视觉语言模型CogVLM在多项跨模态基准测试中超越PaLI-X 55B
CogVLMGithubHuggingface图像识别多模态开源开源项目模型视觉语言模型
CogVLM是一款开源视觉语言模型，具有100亿视觉参数和70亿语言参数。在NoCaps、Flicker30k等10个经典跨模态基准测试中，CogVLM实现了最先进的性能，部分超越PaLI-X 55B。其架构包括视觉变换器编码器、MLP适配器、预训练语言模型和视觉专家模块。CogVLM能进行多模态对话，适用于图像描述和视觉问答等任务。该模型对学术研究开放，经登记后可免费用于商业用途。
Emu3-Gen - 统一模型驱动的AI系统实现图像文本与视频的生成与理解
AI生成Emu3GithubHuggingface图像处理多模态模型开源项目模型深度学习
Emu3采用单一变换器架构，将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式，该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比，Emu3以更简洁的架构实现了更强的多模态处理能力。
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。
cogvlm2-llama3-caption - 视频转文本方案，助力优化文本-视频模型训练
CogVLM2-CaptionGithubHuggingfacePyTorch开源项目模型视频描述视频转文本训练数据生成
CogVLM2-Llama3-Caption项目专注于将视频数据转换为文本描述，为文本-视频模型提供关键训练数据。利用先进的视频解码和文本生成技术，该工具支持精确视频转录，为包括CogVideoX在内的模型生成高质量训练素材。该模型结合了Transformer技术和灵活处理策略，可在CUDA设备上高效运行，帮助开发者高效进行视频内容分析。
GLaMM-GranD-Pretrained - 基于GranD数据集的区域级理解和分割预训练模型
GLaMM-GranD-PretrainedGithubHuggingface图像分割大规模数据集开源项目模型深度学习计算机视觉
GLaMM-GranD-Pretrained是基于GranD数据集预训练的模型，专注于区域级理解和分割掩码生成。GranD数据集包含7.5百万个独特概念和810百万个带分割掩码的区域，通过自动化注释流程生成。该模型为计算机视觉任务提供高级像素分割能力。研究者可通过GitHub或Hugging Face获取模型，并参考相关论文和项目页面深入了解。
DeepSeek-VL - 高性能开源视觉语言模型 多模态理解与复杂场景应用
DeepSeek-VLGithub人工智能多模态理解开源开源项目视觉语言模型
DeepSeek-VL是一个开源视觉语言模型，为实际应用场景而设计。它能处理逻辑图表、网页、公式、科学文献、自然图像等，并在复杂场景中展现智能。模型提供1.3B和7B两种参数规模，支持基础和对话应用，可用于学术研究和商业用途。DeepSeek-VL采用MIT许可证，为研究人员和开发者提供了强大的视觉语言处理工具。
Depth-Anything-V2-Base - 更快更精细的单目深度估计模型
Depth-Anything-V2GithubHuggingface图像处理开源项目模型深度估计深度学习计算机视觉
Depth-Anything-V2是一款先进的单目深度估计模型，由595K合成标记图像和62M+真实未标记图像训练而成。它在细节表现、鲁棒性和效率上都超越了V1版本，处理速度比基于SD的模型快10倍。采用ViT-B架构，该模型为计算机视觉领域提供了高效的深度预测工具，尤其适用于需要精确深度信息的应用场景。
e5-v - 多模态嵌入优化框架与单模态训练策略
E5-VGithubHuggingfacetransformers单模态训练图像文本处理多模态嵌入开源项目模型
E5-V框架通过调整多模态大型语言模型，有效实现多模态嵌入，提高不同输入之间的连接能力，即便不进行微调。其提出的单模态训练方法，仅训练文本对，表现超过多模态训练。
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。

使用协议隐私政策广告服务
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