Project Icon

owlv2-large-patch14

开源零样本对象检测模型,支持多文本查询

OWLv2模型是一种零样文本感知对象检测模型,使用CLIP作为多模态骨干,通过结合视觉和文本特征实现开词汇检测。模型去除了视觉模型的最终token池化层,并附加分类和框头,能够处理多文本查询,扩展了图像识别的应用潜力。研究者通过重新训练和微调CLIP,提高了其在公开检测数据集上的性能,有助于探讨计算机视觉模型的鲁棒性。

yolos-fashionpedia - 时尚领域物品检测的精细化模型
FashionpediaGithubHuggingfaceYOLOS开源项目时尚模型模型微调物体检测
该模型专注于时尚领域的目标检测,识别多种服饰及配饰类别,包括衬衫、外套、帽子、鞋等。采用微调后的YOLOS架构,并使用Fashionpedia数据集训练,为时尚分析提供准确的识别功能。实现细节可在项目源码查看。
GPT4RoI - 大型语言模型的区域感知能力优化
GPT4RoIGithubLLaMA模型区域感兴趣调整大型语言模型开源项目视觉认知
GPT4RoI项目专注于优化大型语言模型的区域感知能力,发布新版本GPT4RoI-7B-delta-V0来提升性能。该项目提供完整的训练与推理代码,并有在线演示以提升用户体验。项目包含了详尽的数据集和权重处理方法,便于研究者和开发者有效应用于区域相关的语言模型任务。
ComfyUI-Florence2 - 基于Florence-2视觉基础模型,可处理多种视觉和视觉-语言任务
ComfyUIDocVQAFlorence2Github多任务学习开源项目视觉基础模型
ComfyUI-Florence2项目基于Florence-2视觉基础模型,可处理多种视觉和视觉-语言任务。除支持图像描述、物体检测和分割外,还新增文档视觉问答功能。项目利用FLD-5B数据集进行多任务学习,采用序列到序列架构,在零样本和微调场景下表现优异。用户可通过ComfyUI界面便捷使用Florence2的各项功能。
LITv2 - 基于HiLo注意力的快速视觉Transformer
GithubHiLo注意力LITv2图像分类开源项目目标检测视觉Transformer
LITv2是一种基于HiLo注意力机制的高效视觉Transformer模型。它将注意力头分为两组,分别处理高频局部细节和低频全局结构,从而在多种模型规模下实现了优于现有方法的性能和更快的速度。该项目开源了图像分类、目标检测和语义分割任务的预训练模型和代码实现。
ViP-LLaVA - 改进大型多模态模型的视觉提示理解能力
CVPR2024GithubViP-LLaVA多模态模型开源项目视觉提示视觉语言模型
ViP-LLaVA项目旨在提升大型多模态模型对任意视觉提示的理解能力。通过在原始图像上叠加视觉提示进行指令微调,该方法使模型能更好地处理多样化的视觉输入。项目还开发了ViP-Bench,这是首个零样本区域级基准,用于评估多模态模型性能。ViP-LLaVA提供完整的训练流程、模型权重和演示,为视觉语言模型研究提供了有力支持。
Yi-34B - 开源双语大语言模型Yi-34B,在语言理解和推理性能上超越多款先进模型
GithubHuggingfaceYi双语变压器大语言模型开源开源项目模型
Yi系列的开源双语大语言模型凭借出色的语言理解和推理能力,在全球顶尖LLM排行中占据一席之地。在依托Transformer和Llama架构的基础上,Yi模型通过自有的高质量训练数据和效能优化的训练管道,实现了在多项评测中的领先表现。特别是Yi-34B-Chat模型在AlpacaEval榜单上表现出色,仅次于GPT-4 Turbo,展现出其多领域广泛应用的潜力。
yoloair - YOLOAir2024版:综合模型改进教程与源码库
GithubPyTorchUltralyticsProYOLOAirYOLOv5YOLOv8开源项目
YOLOAir2024版发布,提供多模型支持及改进教程,包括YOLOv5、YOLOv7、YOLOv8等。通过统一框架和模块化实现模型多样化应用,如目标检测、实例分割、图像分类等,适用于科研与实际应用。免费提供源代码。
yolov9 - 高效准确的目标检测算法
GithubYOLOv9开源项目深度学习目标检测神经网络计算机视觉
YOLOv9是一种新型目标检测算法,采用可编程梯度信息技术提高学习能力。该开源项目提供YOLOv9的官方实现,包含预训练模型、训练评估脚本和使用文档。在COCO数据集上,YOLOv9展现出优异的检测性能,同时保持较低的模型复杂度。研究人员和开发者可利用这一工具进行高效准确的目标检测任务。
VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型
GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调
VisualGLM-6B是一个开源多模态对话语言模型,具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础,增添了6.2亿参数,整合了先进的BLIP2-Qformer技术,达到了语言和视觉数据的高效融合。模型总参数量为7.8亿,展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化,支持在消费级显卡上运行,降低了使用门槛,拓展了其在学术研究和实务应用中的潜力。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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