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

MobileCLIP-S2-OpenCLIP - 高效图像-文本模型通过多模态强化训练实现性能突破

GithubHuggingfaceMobileCLIPOpenCLIP图像文本模型多模态强化训练开源项目模型零样本图像分类

MobileCLIP-S2-OpenCLIP是一款基于多模态强化训练的高效图像-文本模型。相比SigLIP的ViT-B/16模型，它在性能上有所超越，同时速度提升2.3倍，模型体积缩小2.1倍，且仅使用了1/3的训练样本。在ImageNet零样本分类任务中，该模型达到74.4%的Top-1准确率，在38个数据集上的平均性能为63.7%，体现了出色的效率与性能平衡。

glm-4v-9b - 开源多模态AI模型GLM-4V-9B展现卓越性能

GLM-4V-9BGithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉理解

GLM-4V-9B是一款由智谱AI开发的开源多模态人工智能模型，支持1120x1120高分辨率下的中英双语多轮对话。该模型在综合能力、感知推理、文字识别和图表理解等多个领域表现优异，与GPT-4-turbo、Gemini 1.0 Pro等主流模型相比具有竞争力。GLM-4V-9B支持8K上下文长度，为研究者和开发者提供了强大的视觉理解和语言处理能力。

open-muse - 开源项目MUSE模型重现，用于高效文本到图像生成

GithubHuggingfaceMUSEVQGANopen-musetransformer开源项目

open-muse项目致力于重现Transformer MUSE模型，通过LAION-2B和COYO-700M数据集的训练，提供简单且可扩展的代码库。项目包括在Imagenet上训练类别条件模型、在CC12M上进行文本到图像实验，以及训练改进的VQGAN模型，所有结果将上传至Huggingface的openMUSE组织。支持的模型包括MaskGitTransformer和VQGAN，方便使用并可在Huggingface hub上加载和保存。

MiniCPM-V-2_6-int4 - 精简高效的多语言视觉AI对话模型

GithubHugging FaceHuggingfaceMiniCPM-V图像识别多模态开源项目模型量化模型

MiniCPM-V-2_6-int4是一款经过int4量化的多语言视觉对话模型，GPU内存占用仅约7GB。该模型支持图像理解、OCR、多图像处理和视频分析等视觉任务，可通过Python代码实现流式输出。作为一个资源友好型视觉AI工具，MiniCPM-V-2_6-int4在保持性能的同时提高了部署效率，适合开发者进行各类视觉AI应用开发。

nvidia_-_Mistral-NeMo-Minitron-8B-Base-gguf - Mistral-NeMo-Minitron-8B-Base模型实现高效自然语言生成

GithubHuggingfaceMistral-NeMo-Minitron-8B-BaseNVIDIA开源项目模型自然语言生成语料库量化

NVIDIA 的 Mistral-NeMo-Minitron-8B-Base 模型运用压缩和蒸馏技术，为自然语言生成任务提供解决方案。该模型通过修剪和蒸馏 Mistral-NeMo 12B，在 3800 亿个词标中完成训练，适用于多领域文本转换，并支持 NeMo 24.05 引擎，兼容 NVIDIA 多种硬件架构。

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。

pytorch_mgie - 多模态大语言模型驱动的图像编辑指导系统

AI绘图GithubGradioMGIE图像编辑大语言模型开源项目

pytorch_mgie是一个基于多模态大语言模型的图像编辑指导系统，采用Apple开源的ml-mgie技术。该项目通过自然语言指令实现图像编辑，并提供Gradio演示界面展示LLaVA-7B模型在图像编辑任务中的应用。项目包含预训练模型和环境配置指南，为研究和开发提供了实验平台。

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。

license_plate_recognizer - 精准识别车牌文字的OCR模型，适合自动化监控应用

GithubHuggingfaceLicense Plate RecognitionOCRTransformer模型字符错误率开源项目模型自动监控

此模型基于微软的trocr-base-handwritten，专门开发用于从车牌图像中提取文本，特别适用于OCR车牌识别任务，字符错误率为0.0036，适合各类车辆自动化监控系统。利用TrOCR模型并在PawanKrGunjan/license_plates数据集上微调，能高效将图像转换为文本。在低光或者低分辨率下，性能可能下降，且可能会受到不同地区车牌设计差异的影响。

trocr-large-printed - 基于Transformer的大规模印刷文本OCR模型

GithubHuggingfaceTrOCR光学字符识别图像处理开源项目模型深度学习自然语言处理

trocr-large-printed是一个基于Transformer架构的大规模光学字符识别(OCR)模型，专为印刷文本识别而设计。该模型结合了图像Transformer编码器和文本Transformer解码器，可高效处理单行文本图像。通过在SROIE数据集上的微调，trocr-large-printed为各类印刷文档的文本识别任务提供了准确可靠的解决方案。

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