model-vs-human

model-vs-human

用于评估人类与机器视觉差距的Python工具箱

modelvshuman是一个用于评估人类与机器视觉差距的Python工具箱。支持测试包括PyTorch和TensorFlow在内的多种模型,覆盖17个人类比较数据集。项目提供安装指南、示例代码、模型库和数据集加载方式,帮助快速入门并进行自定义模型评估。详细信息请访问项目主页。

modelvshumanPyTorchTensorFlow对比模型视觉Github开源项目

项目介绍:model-vs-human

model-vs-human 是一个用于评估人类视觉和机器视觉差距的Python工具箱。利用这个库,开发者可以在17个出乎意料的数据集上测试其机器学习模型,并与高质量的人类比较数据进行对比。该工具箱支持PyTorch和TensorFlow两大主流框架的模型。

基准测试

在基准测试部分,项目列出了表现最接近人类行为的前十个模型及其在不同数据集上的表现差异。这些模型的排名基于对52个测试模型的全面评估得出。若开发者的新模型表现超过列表中的一些或全部模型,可通过提交请求来加入榜单。

其中,在“最类似人类行为”的测试中,ViT-22B-384模型名列第一,其在多项指标上表现优异如准确性差异和一致性。相反,标准的ResNet-50模型在榜单中名列底部。

而在“最高出乎分布(OOD)变形鲁棒性”的指标中,ViT-22B-224模型同样位居榜首。

安装指南

项目的安装相对简单,使用Python3.8克隆项目至本地后,通过命令行设置项目路径并使用pip安装即可。安装后,任何代码上的更改会直接反映在包中,方便进行模型的添加或修改。

用户体验

用户只需编辑examples/evaluate.py文件,就可以对一系列模型进行出乎分布数据集的测试,生成相应的图表。最终,这些图表可以编译成一个报告文件,方便查看和分析结果。

模型库

项目目前实现了多种不同类型的模型,包括20多个来自torchvision模型库的标准监督模型、5个自监督对比模型、3个SimCLR模型变体以及10个对抗性“鲁棒”模型等。用户可通过简单的代码加载这些模型,并利用工具箱提供的通用数据集进行测试。

对于加载特定模型,用户可选择PyTorch或TensorFlow两种框架,库也提供了方便的接口来列出所有可用模型。

数据集

项目提供了17个在严格实验室条件下收集的人类比较数据的数据集。十二个数据集涉及参数化或二进制图像畸变,如色彩/灰度,对比度,模糊等。其余五个数据集则包括非参数化图像处理,如素描,边缘检测,轮廓等。

用户可以直接通过脚本调用这些数据集进行测试,首次使用时会自动下载所需数据。

致谢

项目的心理物理数据主要来自于Wichmann实验室,并且使用了多种现有数据集资源。感谢所有提供模型和数据集的作者和维护人员。

引用

如果在研究中需要引用此项目,请使用以下格式:

@inproceedings{geirhos2021partial,
  title={Partial success in closing the gap between human and machine vision},
  author={Geirhos, Robert and Narayanappa, Kantharaju and Mitzkus, Benjamin and Thieringer, Tizian and Bethge, Matthias and Wichmann, Felix A and Brendel, Wieland},
  booktitle={{Advances in Neural Information Processing Systems 34}},
  year={2021},
}

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多