dalle-mini

dalle-mini

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。

DALL·E MiniAI绘图文本生成图像机器学习深度学习Github开源项目

DALL·E Mini

<a href="https://www.craiyon.com/"><img src="https://www.craiyon.com/thumbnail.png" width="300"></a>

如何使用?

你可以在 🖍️ craiyon 上使用该模型

它是如何工作的?

请参考我们的报告:

开发

安装依赖

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

在Colab中打开

DALL·E mini的训练

使用 tools/train/train.py

如果需要进行超参数搜索,你还可以调整扫描配置文件

常见问题

在哪里可以找到最新的模型?

训练好的模型位于 🤗 Model Hub:

标志来自哪里?

"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。

贡献

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:

致谢

作者与贡献者

DALL·E mini 最初由以下人员开发:

非常感谢帮助改进它的人们:

引用 DALL·E mini

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} }

参考文献

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"。

引用

@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}, }

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