mgp-str-base

多粒度预测的场景文本识别开源模型

计算机视觉 Huggingface 多粒度预测模型光学字符识别 MGP-STR Github 场景文字识别开源项目

MGP-STR base-sized model是一个基于ViT和A^3模块的场景文本识别开源模型。它采用多粒度预测方法，包括字符、子词和单词级别，以提高识别精度。该模型在MJSynth和SynthText数据集上训练，适用于复杂场景的OCR任务，并可方便地集成到PyTorch项目中。

文档

deep-text-recognition-benchmark - 基于深度学习方法的文本识别

GithubPyTorch场景文本识别开源项目数据集模型分析深度学习

该项目是一个开源的场景文本识别框架，通过四阶段的官方PyTorch实现，支持现有大多数STR模型。它允许在统一的数据集上，评估各个模块的性能表现，包括准确性、速度和内存需求，并已被多个国际竞赛验证。用户可使用预训练模型进行测试，或进行更深入研究。

git-base - 微软GIT-base模型图像到文本的多功能视觉语言处理工具

GITGithubHuggingface图像到文本开源项目微软模型自然语言处理计算机视觉

GIT-base是微软开发的基于Transformer的图像到文本生成模型。该模型能够生成图像和视频的文本描述，支持视觉问答等多种应用。GIT-base采用CLIP图像tokens和文本tokens进行条件训练，基于1000万图文对数据集。作为一个灵活多功能的视觉语言处理工具，GIT-base为图像理解和跨模态任务提供了新的解决方案。

manga-ocr-base - 高精度日语漫画OCR模型支持多场景文本识别

GithubHuggingfaceManga OCR图像文本转换开源项目日本漫画日语文字识别模型视觉编码器解码器

manga-ocr-base是一款专为日语漫画开发的OCR模型，采用Vision Encoder Decoder框架。它不仅能识别垂直和水平文本，还可处理带振假名的文字和图像上的叠加文字。该模型适用于多种字体和样式，并能在低质量图像中保持高识别率。除漫画外，它还可用于一般日语印刷文本识别。该开源项目已在GitHub上发布，为日语文本识别领域提供了新的解决方案。

trocr-base-stage1 - 以Transformer为基础的图像文字识别预训练模型

GithubHugging FaceHuggingfaceTrOCR光学字符识别图像Transformer开源项目文本Transformer模型

此预训练模型使用Transformer进行光学字符识别（OCR），为TrOCR模型的一部分。其图像编码器采用BEiT权重初始化，文本解码器则使用RoBERTa权重，处理图像为固定大小的16x16像素块并线性嵌入。适用于单行文本图像的OCR任务，并支持针对特定任务进行微调，兼容PyTorch实现。

InternViT-300M-448px - 动态分辨率视觉模型提供高效特征提取和OCR功能

GithubHuggingfaceInternViTOCR能力图像嵌入开源项目模型知识蒸馏视觉基础模型

InternViT-300M-448px是一个经过知识蒸馏的视觉基础模型，具有304M参数量和448x448的动态输入分辨率。该模型支持多图块处理，训练时1-12个，测试时可扩展至40个。通过在LAION、COYO等多个数据集上预训练，并整合额外OCR数据，模型展现出优秀的鲁棒性、文字识别和高分辨率处理能力。它可为多种视觉任务提供高质量的图像特征提取。

pix2struct-base - Pix2Struct预训练模型，实现多语言视觉-文本任务

GithubHuggingfacePix2Struct图像编码器开源项目文本解码器模型视觉语言理解预训练

Pix2Struct是一种预训练的图像-文本模型，专用于多种任务，如图像字幕生成和视觉问答。该模型通过解析网页截图为简化HTML进行预训练，在文档、插图、用户界面和自然图像领域实现出色性能，灵活整合语言和视觉输入。

MASt3R_ViTLarge_BaseDecoder_512_catmlpdpt_metric - 基于3D的高精度图像匹配技术

3D视觉GithubHuggingfaceMASt3R图像匹配开源项目模型深度学习模型计算机视觉

MASt3R是一款开源的图像到3D匹配模型，采用ViT-Large编码器和ViT-Base解码器架构。它结合了CatMLP和DPT技术，能够处理多种分辨率的图像输入。该模型在GitHub上提供了完整的代码和使用说明，适用于需要高精度3D视觉的研究和应用。MASt3R为计算机视觉领域的研究人员和开发者提供了一个强大的工具，有助于推动3D视觉技术的发展。

mGPT - 基于GPT架构的大规模多语种自然语言处理模型

GPTGithubHuggingfaceMegatron多语言模型开源项目模型深度学习自然语言处理

作为一个基于GPT-3架构的多语言处理模型，mGPT具备13亿参数量，覆盖25个语系的61种语言。模型采用Wikipedia和Colossal Clean Crawled Corpus作为训练数据，结合Deepspeed与Megatron框架实现并行计算，在低资源语言处理领域达到与XGLM相当的性能水平。模型训练过程中处理了488亿UTF字符，借助256个NVIDIA V100 GPU完成了为期14天的训练。

trocr-base-handwritten - 基于Transformer架构的高精度手写文本识别模型

GithubHuggingfaceTrOCRTransformer模型光学字符识别图像转文本开源项目手写文本识别模型

TrOCR是一种基于Transformer架构的光学字符识别模型，专为手写文本识别而设计。该模型结合了图像Transformer编码器和文本Transformer解码器，可准确识别单行手写文本图像。经IAM手写数据集微调后，TrOCR适用于多种手写OCR场景，为文本识别研究和应用提供了有力支持。

pix2struct-large - 融合图像和文本的开创性AI预训练模型

GithubHuggingfacePix2Struct图像到文本模型多任务学习开源项目模型视觉语言理解预训练

Pix2Struct是一款突破性的图像到文本预训练模型，专注于视觉语言理解。其独特之处在于通过解析网页截图为简化HTML进行预训练，有效整合了OCR、语言建模和图像描述等关键技术。在文档、插图、用户界面和自然图像四大领域的九项任务评估中，Pix2Struct在六项中表现卓越，展现了其强大的通用性。这一创新模型为视觉语言相关任务奠定了坚实基础，可通过微调适应多样化的应用场景。

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