Project Icon

sam2-hiera-tiny

提供图像和视频分割功能的开放源码基础模型

SAM 2模型提供图像和视频的可提示视觉分割功能,开源代码库支持图像和视频预测。通过提示实现精准的掩码生成及传播,在高效推理中表现出色。该项目适合视觉识别与处理领域的研究者和开发者进行应用。

magvit2-pytorch - MagViT2视频生成和理解模型的PyTorch开源实现
AI模型GithubMagViT2Pytorch实现开源项目视频生成语言模型
MagViT2是基于语言模型的最新视频生成和理解技术。该PyTorch实现提供高效视频标记器和训练器,支持大规模数据集。项目包含无查找量化器,适用于多种模态。灵活架构设计允许自定义层和注意力机制,为研究人员提供探索和改进视频生成技术的工具。
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。
smol-vision - 前沿视觉模型优化与定制的实用技巧集锦
GithubONNX量化Smol Vision开源项目模型微调知识蒸馏视觉模型优化
smol-vision项目汇集了多种视觉模型优化技术,包括量化、ONNX转换、模型微调和知识蒸馏。项目提供了实用示例,展示如何使用Optimum优化目标检测模型、微调PaliGemma和Florence-2视觉语言模型,以及通过torch.compile加速基础模型。这些方法旨在帮助开发者提高模型性能、缩小规模和加快推理速度,使模型更好地适应各种硬件环境。
stable-video-diffusion-img2vid-xt-1-1 - 高性能图片转视频生成模型,支持1024x576像素视频制作
GithubHuggingfaceStable Video Diffusion人工智能模型商业授权图像转视频开源项目模型生成式AI
Stable Video Diffusion 1.1是Stability AI开发的图像生成视频AI模型,基于SVD Image-to-Video [25 frames]优化而来。它可将单张图片转换为25帧、1024x576分辨率的短视频,采用6FPS帧率和Motion Bucket Id 127参数,输出效果比1.0版本更稳定。该模型适用于艺术创作、教育等领域,支持非商业和商业用途。用户可通过Stability AI的generative-models仓库获取和使用该模型。
SegVol - 突破性的通用交互式三维医学影像分割模型
3D建模CT扫描GithubSegVol人工智能医学图像分割开源项目
SegVol是一个创新的通用交互式三维医学影像分割模型,支持点、框和文本提示输入。该模型在96,000个CT扫描数据集上训练,可分割超过200个解剖类别。SegVol开源了推理代码、训练代码、模型参数以及预训练的ViT参数。通过内部和外部验证,SegVol展现出优秀的分割性能,为医学影像分析提供了新的解决方案。
X-Decoder - 像素、图像和语言的统一解码模型
GithubX-Decoder图像分割多任务学习开放词汇分割开源项目计算机视觉
X-Decoder是一个通用解码模型,可生成像素级分割和标记级文本。该模型在多个数据集上实现了开放词汇分割和指代分割的最佳结果,在分割和视觉语言任务上表现出色。X-Decoder支持语义、实例和全景分割,以及图像描述、图像-文本检索等多种任务。此外,它还能进行区域检索、指代描述、图像编辑等零样本任务组合。
mask2former-swin-large-cityscapes-semantic - Mask2Former大型语义分割模型 适用多种图像分割任务
GithubHuggingfaceMask2Former图像分割开源项目模型深度学习计算机视觉语义分割
Mask2Former是一款先进的语义分割模型,基于Swin骨干网络在Cityscapes数据集上训练。该模型采用统一的掩码预测方法,可同时处理实例、语义和全景分割任务。通过引入多尺度可变形注意力Transformer和带掩码注意力的Transformer解码器,Mask2Former在性能和效率上均超越了先前的最佳模型。它为研究人员和开发者提供了一个强大的工具,可用于各种图像分割应用。
LLaMA-VID - 支持长视频处理的多模态大语言模型
GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解
LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。
Tarsier-7b - 开源大规模视频语言模型,提升视频描述和理解能力
GithubHuggingfaceTarsier人工智能开源项目机器学习模型视频描述计算机视觉
Tarsier-7b是一个开放源代码的视频语言模型,专注于视频描述和理解。该模型使用两阶段的训练策略以增强性能,能够生成高质量的视频描述。训练过程包括多任务预训练和多粒度微调,并通过多种数据集进行评估,从而保证出色性能。适合从事计算机视觉与自然语言处理研究的研究人员和爱好者使用,可在相关平台获取更多信息。
mask2former-swin-large-coco-panoptic - 基于Transformer架构的高效图像分割模型
COCO数据集GithubHuggingfaceMask2Former图像分割开源项目模型深度学习视觉模型
Mask2Former-Swin-Large是一个基于COCO数据集训练的图像分割模型,通过多尺度可变形注意力和掩码注意力机制,实现了实例、语义和全景分割的统一处理。相比MaskFormer具有更高的性能和计算效率
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号