开源文本生成图像AI模型
DALL·E Mini是一个开源的文本生成图像AI项目,基于OpenAI的DALL·E模型。该项目能根据文本描述生成相应图像,用户可通过craiyon.com体验。DALL·E Mini提供了技术报告、开发文档和训练代码,便于研究人员进行深入研究和二次开发。项目由多位贡献者合作完成,获得了Google TPU Research Cloud等多方支持。
<a href="https://www.craiyon.com/"><img src="https://www.craiyon.com/thumbnail.png" width="300"></a>
你可以在 🖍️ craiyon 上使用该模型
请参考我们的报告:
仅用于推理,请使用 pip install dalle-mini
。
对于开发,克隆仓库并使用 pip install -e ".[dev]"
。
在提交PR之前,请使用 make style
检查代码风格。
你可以通过我们的推理管道笔记本
逐步试验管道
如果需要进行超参数搜索,你还可以调整扫描配置文件。
训练好的模型位于 🤗 Model Hub:
"鳄梨形状的扶手椅"是OpenAI发布DALL·E时用来展示模型能力的。成功预测这个提示对我们来说是一个重要的里程碑。
加入 LAION Discord 社区。 我们欢迎任何形式的贡献,无论是报告问题、提出修复/改进建议,还是用有趣的提示测试模型!
你也可以使用社区中这些优秀的项目:
使用 DALL-E Playground 仓库 创建你自己的应用(感谢 Sahar)
尝试 DALL·E Flow 项目,用于人机交互工作流中的生成、扩散和放大(感谢 Han Xiao)
在 Replicate 上运行,可在浏览器中使用或通过API调用
DALL·E mini 最初由以下人员开发:
非常感谢帮助改进它的人们:
如果你在研究中发现 DALL·E mini 有用或想要引用它,请使用以下 BibTeX 条目。
@misc{Dayma_DALL·E_Mini_2021, author = {Dayma, Boris and Patil, Suraj and Cuenca, Pedro and Saifullah, Khalid and Abraham, Tanishq and Lê Khắc, Phúc and Melas, Luke and Ghosh, Ritobrata}, doi = {10.5281/zenodo.5146400}, month = {7}, title = {DALL·E Mini}, url = {https://github.com/borisdayma/dalle-mini}, year = {2021} }
原始 DALL·E 来自 "Zero-Shot Text-to-Image Generation",图像量化来自 "Learning Transferable Visual Models From Natural Language Supervision"。
图像编码器来自 "Taming Transformers for High-Resolution Image Synthesis"。
基于 "BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension" 的序列到序列模型,实现了几个变体:
主要优化器(分布式Shampoo)来自 "Scalable Second Order Optimization for Deep Learning"。
@misc{ title={Zero-Shot Text-to-Image Generation}, author={Aditya Ramesh and Mikhail Pavlov and Gabriel Goh and Scott Gray and Chelsea Voss and Alec Radford and Mark Chen and Ilya Sutskever}, year={2021}, eprint={2102.12092}, archivePrefix={arXiv}, primaryClass={cs.CV} }
@misc{ title={从自然语言监督中学习可迁移的视觉模型}, author={Alec Radford 和 Jong Wook Kim 和 Chris Hallacy 和 Aditya Ramesh 和 Gabriel Goh 和 Sandhini Agarwal 和 Girish Sastry 和 Amanda Askell 和 Pamela Mishkin 和 Jack Clark 和 Gretchen Krueger 和 Ilya Sutskever}, year={2021}, eprint={2103.00020}, archivePrefix={arXiv}, primaryClass={cs.CV} }
@misc{ title={驯服 Transformer 用于高分辨率图像合成}, author={Patrick Esser 和 Robin Rombach 和 Björn Ommer}, year={2021}, eprint={2012.09841}, archivePrefix={arXiv}, primaryClass={cs.CV} }
@misc{ title={BART: 用于自然语言生成、翻译和理解的去噪序列到序列预训练}, author={Mike Lewis 和 Yinhan Liu 和 Naman Goyal 和 Marjan Ghazvininejad 和 Abdelrahman Mohamed 和 Omer Levy 和 Ves Stoyanov 和 Luke Zettlemoyer}, year={2019}, eprint={1910.13461}, archivePrefix={arXiv}, primaryClass={cs.CL} }
@misc{ title={深度学习的可扩展二阶优化}, author={Rohan Anil 和 Vineet Gupta 和 Tomer Koren 和 Kevin Regan 和 Yoram Singer}, year={2021}, eprint={2002.09018}, archivePrefix={arXiv}, primaryClass={cs.LG} }
@misc{ title={GLU 变体改进 Transformer}, author={Noam Shazeer}, year={2020}, url={https://arxiv.org/abs/2002.05202} }
@misc{ title={DeepNet: 将 Transformer 扩展到 1,000 层}, author={王宏宇 和 马树铭 和 董黎 和 黄少汉 和 张东东 和 魏福}, year={2022}, eprint={2203.00555} archivePrefix={arXiv}, primaryClass={cs.LG} }
@misc{ title={NormFormer: 通过额外归一化改进 Transformer 预训练}, author={Sam Shleifer 和 Jason Weston 和 Myle Ott}, year={2021}, eprint={2110.09456}, archivePrefix={arXiv}, primaryClass={cs.CL} }
@inproceedings{ title={Swin Transformer V2: 扩展容量和分辨率}, author={刘泽 和 胡翰 和 林雨桐 和 姚祝良 和 谢震达 和 魏毅轩 和 宁佳 和 曹越 和 张政 和 董黎 和 魏福 和 郭百宁}, booktitle={国际计算机视觉与模式识别会议 (CVPR)}, year={2022} }
@misc{ title = {CogView: 通过 Transformer 掌握文本到图像生成}, author = {丁明 和 杨卓艺 和 洪文怡 和 郑文迪 和 周畅 和 尹达 和 林俊阳 和 邹旭 和 邵周 和 杨宏侠 和 唐杰}, year = {2021}, eprint = {2105.13290}, archivePrefix = {arXiv}, primaryClass = {cs.CV} }
@misc{ title = {均方根层归一化}, author = {张彪 和 Rico Sennrich}, year = {2019}, eprint = {1910.07467}, archivePrefix = {arXiv}, primaryClass = {cs.LG} }
@misc{ title = {Sinkformers: 具有双重随机注意力的 Transformer}, url = {https://arxiv.org/abs/2110.11773}, author = {Sander, Michael E. 和 Ablin, Pierre 和 Blondel, Mathieu 和 Peyré, Gabriel}, publisher = {arXiv}, year = {2021}, }
@misc{ title = {深度网络中的平滑激活和可重复性}, url = {https://arxiv.org/abs/2010.09931}, author = {Shamir, Gil I. 和 Lin, Dong 和 Coviello, Lorenzo}, publisher = {arXiv}, year = {2020}, }
@misc{ title = {基础 Transformer}, url = {https://arxiv.org/abs/2210.06423}, author = {王宏宇 和 马树铭 和 黄少汉 和 董黎 和 王文会 和 彭志良 和 吴昱 和 Bajaj, Payal 和 Singhal, Saksham 和 Benhaim, Alon 和 Patra, Barun 和 刘准 和 Chaudhary, Vishrav 和 宋霞 和 魏福}, publisher = {arXiv}, year = {2022}, }
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术 优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具 使用、多代理等丰富内容,助您快速入门 AI 代理领域。
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。
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。
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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号