基于下一标记预测的创新物体识别技术
nxtp项目开发了一种创新的物体识别方法,将任务转化为下一标记预测。该技术利用语言模型嵌入扩展预测空间,实现开放式标签生成。通过自回归处理和高效采样,nxtp可进行大规模标签预测,如生成前100个最可能的标签。这一方法无需预定义标签集,为计算机视觉领域的物体识别提供了更灵活的解决方案。
arXiv | Colab | 文档 | Hugging Face
<p align="center"> <img src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/teaser-dark-mode.svg#gh-dark-mode-only"> <img src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/teaser-light-mode.svg#gh-light-mode-only"> </p>我们的模型对"塞尔达传说:王国之泪"图像的前30个预测及其概率 1。
这是论文将物体识别视为下一个标记预测的官方PyTorch实现,该论文已被CVPR 2024接收(亮点论文)。
@inproceedings{nxtp, title = {{Object Recognition as Next Token Prediction}}, author = {Kaiyu Yue and Bor-Chun Chen and Jonas Geiping and Hengduo Li and Tom Goldstein and Ser-Nam Lim}, booktitle = {Computer Vision and Pattern Recognition Conference (CVPR)}, year = {2024} }
2024年5月26日
2024年3月17日
2024年3月3日
本项目深入研究计算机视觉中的一个基本问题——物体识别,将图像转换为物体标签。
<p align="center"> <br/> <img width="768" src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/intro-dark-mode.svg#gh-dark-mode-only"> <img width="768" src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/intro-light-mode.svg#gh-light-mode-only"> <br/> </p>线性模型(如ResNet)和对比模型(如CLIP)需要在推理之前预定义标签,这限制了它们在实际应用中的灵活性。
我们将W扩展到整个文本空间,使用像LLaMA的32K标记嵌入这样的语言模型。我们的模型通过自回归处理以真正开放的方式预测标签。
此外,我们的一次性采样技术能够高效地进行大规模判别预测,例如前100个标签。
<p align="center"> <br/> <img width="640" src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/method-dark-mode.svg#gh-dark-mode-only"> <img width="640" src="https://raw.githubusercontent.com/kaiyuyue/nxtp/main/assets/method-light-mode.svg#gh-light-mode-only"> <br/> </p>发布的模型有1.78B参数。将模型截断至0.77B参数仍能达到有竞争力的性能(论文中的表3),该模型在解码器中仅有一个transformer块。
图像与前20个预测结果 | 注意力图 | 图像与前20个预测结果 | 注意力图 |
---|---|---|---|
<p align="left"><img width="256" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/60bcd385-72c4-4bf3-9e18-70be17d2f54a.jpg"><br/></p><details><summary>点击查看 1</summary>概率: 0.13949 - 图例 <br/>概率: 0.12399 - 天空 <br/>概率: 0.04723 - 云 <br/>概率: 0.04642 - 游戏 <br/>概率: 0.04500 - 截图 <br/>概率: 0.03189 - 顶部 <br/>概率: 0.03024 - 山 <br/>概率: 0.02262 - 悬崖 <br/>概率: 0.01790 - 世界 <br/>概率: 0.01483 - Wii <br/>概率: 0.01440 - 视频 <br/>概率: 0.01310 - 呼吸 <br/>概率: 0.01087 - 泽奥 <br/>概率: 0.00982 - 塞尔达 <br/>概率: 0.00959 - 角色 <br/>概率: 0.00865 - 岩石 <br/>概率: 0.00816 - 林克 <br/>概率: 0.00788 - 岛屿 <br/>概率: 0.00624 - 冒险 <br/>概率: 0.00591 - 女性 </details> | <p align="left"><img width="164" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/5babdb5a-489b-4c77-82ca-289d23ca0d92.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 0: 头 25 </details> | <p align="left"><img width="256" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/ce330477-7d4a-4913-9ddf-8fe6e258ed2b.jpg"></p> <details><summary>点击查看 2</summary>概率: 0.23237 - 火箭 <br/>概率: 0.10435 - 发射 <br/>概率: 0.06144 - 联盟号 <br/>概率: 0.04314 - 太空 <br/>概率: 0.03541 - 烟 <br/>概率: 0.03249 - 天空 <br/>概率: 0.01971 - 航天飞机 <br/>概率: 0.01566 - 塔 <br/>概率: 0.01551 - 巴黎 <br/>概率: 0.01229 - 云 <br/>概率: 0.01067 - 发射台 <br/>概率: 0.01050 - 角 <br/>概率: 0.00983 - 猎鹰 <br/>概率: 0.00956 - 照片 <br/>概率: 0.00834 - 升空 <br/>概率: 0.00814 - 空气 <br/>概率: 0.00779 - 任务 <br/>概率: 0.00710 - 站 <br/>概率: 0.00688 - 七月 <br/>概率: 0.00647 - 卫星 </details> | <p align="left"><img width="164" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/61422ffa-ce2d-4972-9d37-69504825c2ba.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 0: 头 0 </details> |
<p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/b5f3e4b0-2ef4-4fb4-9c8d-e5e440f84fd0.png"></p> <details><summary>点击查看 3</summary>概率: 0.30731 - 狗 <br/>概率: 0.13647 - 毛衣 <br/>概率: 0.11870 - 帽子 <br/>概率: 0.06812 - 围巾 <br/>概率: 0.04131 - 砖 <br/>概率: 0.03114 - 墙 <br/>概率: 0.01796 - 衬衫 <br/>概率: 0.01471 - 可爱 <br/>概率: 0.01156 - 帽子 <br/>概率: 0.00982 - 脖子 <br/>概率: 0.00929 - 顶部 <br/>概率: 0.00797 - 头 <br/>概率: 0.00777 - 无檐帽 <br/>概率: 0.00658 - 男人 <br/>概率: 0.00588 - 坐着 <br/>概率: 0.00582 - 外套 <br/>概率: 0.00524 - 夹克 <br/>概率: 0.00476 - 领子 <br/>概率: 0.00460 - 脸 <br/>概率: 0.00119 - 骨头 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/08d0e93a-6c2b-48a9-b0d5-1afd8d29cef9.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 0: 头 25 </details> | <p align="left"><img width="256" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/e13616f0-1a15-4098-a6e2-914fc14393f4.jpg"></p> <details><summary>点击查看 4</summary>概率: 0.14861 - 咖啡 <br/>概率: 0.10409 - 商店 <br/>概率: 0.08065 - 柜台 <br/>概率: 0.04603 - 酒吧 <br/>概率: 0.04055 - 餐厅 <br/>概率: 0.03691 - 内部 <br/>概率: 0.03468 - 区域 <br/>概率: 0.02638 - 商店 <br/>概率: 0.02219 - 桌子 <br/>概率: 0.01930 - 室内 <br/>概率: 0.01347 - 许多 <br/>概率: 0.01156 - 食物 <br/>概率: 0.01058 - 顾客 <br/>概率: 0.01001 - 房间 <br/>概率: 0.00923 - 星巴克 <br/>概率: 0.00853 - 面包店 <br/>概率: 0.00738 - 视图 <br/>概率: 0.00738 - 地板 <br/>概率: 0.00733 - 咖啡馆 <br/>概率: 0.00633 - 架子 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/a5957c1b-0135-420f-bb53-f399b1c663b1.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 0: 头 8 </details> |
<p align="left"><img width="256" src="https://yellow-cdn.veclightyear.com/835a84d5/86a579ff-1c8a-4f05-af1e-f507a72e3df8.png"></p> <details><summary>点击查看3</summary>概率: 0.47652 - 怪物 <br/>概率: 0.09664 - 卡通 <br/>概率: 0.03812 - 角色 <br/>概率: 0.03724 - 群组 <br/>概率: 0.03312 - 生物 <br/>概率: 0.02111 - 可爱 <br/>概率: 0.01929 - 矢量 <br/>概率: 0.01481 - 动物 <br/>概率: 0.00955 - 艺术 <br/>概率: 0.00924 - 外星人 <br/>概率: 0.00837 - 姿势 <br/>概率: 0.00604 - 泡泡 <br/>概率: 0.00553 - 眼睛 <br/>概率: 0.00533 - 颜色 <br/>概率: 0.00528 - 手 <br/>概率: 0.00477 - 设计 <br/>概率: 0.00474 - 壁纸 <br/>概率: 0.00462 - 孩子 <br/>概率: 0.00445 - 人物 <br/>概率: 0.00445 - 家庭 </details> | <p align="left"><img width="164" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/739f55a9-760b-48fb-86e4-61e3aafccc92.png"><br/></p><details><summary>注意力图信息</summary>解码器: 第2层: 第7头 </details> | <p align="left"><img width="256" src="https://yellow-cdn.veclightyear.com/835a84d5/ed07b0d4-3adb-47a3-8954-54ed6eb31a52.png"></p> <details><summary>点击查看3</summary>概率: 0.54375 - 云 <br/>概率: 0.09932 - 词 <br/>概率: 0.07571 - 天空 <br/>概率: 0.03153 - 字母 <br/>概率: 0.01862 - 索拉 <br/>概率: 0.01380 - 标志 <br/>概率: 0.00995 - 文本 <br/>概率: 0.00715 - 顶部 <br/>概率: 0.00715 - 蓝色 <br/>概率: 0.00677 - 标题 <br/>概率: 0.00608 - 照片 <br/>概率: 0.00427 - 图片 <br/>概率: 0.00288 - 索诺拉 <br/>概率: 0.00269 - 中间 <br/>概率: 0.00257 - 风暴 <br/>概率: 0.00202 - 云景 <br/>概率: 0.00190 - 太阳 <br/>概率: 0.00189 - 艺术 <br/>概率: 0.00156 - 翱翔 <br/>概率: 0.00041 - 结冰的 </details> | <p align="left"><img width="164" height="164" src="https://yellow-cdn.veclightyear.com/835a84d5/a7e0c8ef-ede3-4bf5-9a4d-d66231b0deaf.png"><br/></p><details><summary>注意力图信息</summary>解码器: 第1层: 第13头 </details> |
<p align="left"><img width="256" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/8f241a06-a81c-4665-8f06-581d3cc4373a.png"></p> <details><summary>点击查看3</summary>概率: 0.15317 - 建筑 <br/>概率: 0.13619 - 波浪 <br/>概率: 0.04782 - 房间 <br/>概率: 0.03498 - 中间 <br/>概率: 0.03188 - 大厅 <br/>概率: 0.02367 - 人群 <br/>概率: 0.02135 - 海洋 <br/>概率: 0.02087 - 地板 <br/>概率: 0.01867 - 世界 <br/>概率: 0.01773 - 内部 <br/>概率: 0.01548 - 男人 <br/>概率: 0.01380 - 水 <br/>概率: 0.01205 - 视图 <br/>概率: 0.01200 - 冲浪者 <br/>概率: 0.01109 - 照片 <br/>概率: 0.00798 - 酒店 <br/>概率: 0.00734 - 城市 <br/>概率: 0.00662 - 游泳池 <br/>概率: 0.00566 - 艺术 <br/>概率: 0.00319 - 壁画 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/a89d95aa-6e70-4b25-acbb-41ae031d0214.png"><br/></p><details><summary>注意力图信息</summary>解码器: 第1层: 第16头 </details> | <p align="left"><img height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/678756c7-2cb4-421a-bc03-dc177f65fd44.png"></p> <details><summary>点击查看3</summary>概率: 0.25673 - 鸟 <br/>概率: 0.21676 - 羽毛 <br/>概率: 0.18550 - 孔雀 <br/>概率: 0.04251 - 头部 <br/>概率: 0.03240 - 蓝色 <br/>概率: 0.02507 - 鸽子 <br/>概率: 0.02183 - 尾巴 <br/>概率: 0.01339 - 毛发 <br/>概率: 0.01187 - 顶部 <br/>概率: 0.00677 - 脸 <br/>概率: 0.00631 - 相机 <br/>概率: 0.00463 - 喙 <br/>概率: 0.00451 - 眼睛 <br/>概率: 0.00419 - 栅栏 <br/>概率: 0.00370 - 坐着 <br/>概率: 0.00333 - 栖息 <br/>概率: 0.00330 - 照片 <br/>概率: 0.00318 - 墙 <br/>概率: 0.00269 - 动物 <br/>概率: 0.00106 - 松鸦 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/46a99a52-68f7-4104-aafc-ef4f58bc7865.png"><br/></p><details><summary>注意力图信息</summary>解码器: 第1层: 第25头 </details> |
<p align="left"><img width="256" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/4e3b3eda-e273-482e-87b2-593b1d2adc21.jpg"></p> <details><summary>点击查看 5</summary>概率: 0.07247 - 平板电脑 <br/>概率: 0.06770 - 咖啡 <br/>概率: 0.06562 - 窗户 <br/>概率: 0.05829 - 控制器 <br/>概率: 0.05668 - 游戏 <br/>概率: 0.04802 - 开关 <br/>概率: 0.04043 - Wii <br/>概率: 0.03798 - 游戏机 <br/>概率: 0.03563 - 杯子 <br/>概率: 0.02570 - 顶部 <br/>概率: 0.02067 - 马克杯 <br/>概率: 0.01808 - 屏幕 <br/>概率: 0.01344 - 视频 <br/>概率: 0.01105 - 星星 <br/>概率: 0.01092 - 任天堂 <br/>概率: 0.01055 - 电脑 <br/>概率: 0.00819 - 马里奥 <br/>概率: 0.00815 - 遥控器 <br/>概率: 0.00736 - 控制 <br/>概率: 0.00393 - 窗台 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/883f6cda-53ad-4c32-b45e-f1c270a008cb.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 0: 头 12 </details> | <p align="left"><img width="256" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/5754728a-1bcd-4e96-921e-99afa92dd394.jpg"></p> <details><summary>点击查看 6</summary>概率: 0.36523 - 飞机 <br>概率: 0.09151 - 货物 <br>概率: 0.07531 - 飞机 <br>概率: 0.05538 - 船 <br>概率: 0.04223 - 集装箱 <br>概率: 0.03105 - 水 <br>概率: 0.03040 - 视图 <br>概率: 0.02277 - 码头 <br>概率: 0.01685 - 港口 <br>概率: 0.01434 - 天空 <br>概率: 0.01328 - 航运 <br>概率: 0.00788 - 中间 <br>概率: 0.00751 - 机身 <br>概率: 0.00717 - 照片 <br>概率: 0.00715 - 喷气机 <br>概率: 0.00714 - 城市 <br>概率: 0.00621 - 海洋 <br>概率: 0.00615 - 货运 <br>概率: 0.00609 - 船 <br>概率: 0.00320 - 运输 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/e0771041-f0b1-4f3c-ab16-debd6ab7a6ac.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 2: 头 14 </details> |
<p align="left"><img height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/7a2e986c-8ee4-4b82-b5c9-74ba309bd5ee.jpg"></p> <details><summary>点击查看 6</summary>概率: 0.15236 - 糖果 <br/>概率: 0.12271 - 毛衣 <br/>概率: 0.11457 - 眼镜 <br/>概率: 0.10593 - 狗 <br/>概率: 0.08311 - 椅子 <br/>概率: 0.07111 - 手杖 <br/>概率: 0.04701 - 太阳镜 <br/>概率: 0.04589 - 圣诞 <br/>概率: 0.02361 - 服装 <br/>概率: 0.02085 - 穿着 <br/>概率: 0.01870 - 帽子 <br/>概率: 0.00734 - 头部 <br/>概率: 0.00636 - 顶部 <br/>概率: 0.00577 - 装扮 <br/>概率: 0.00520 - 巧克力 <br/>概率: 0.00437 - 霍利 <br/>概率: 0.00362 - 西装 <br/>概率: 0.00344 - 衬衫 <br/>概率: 0.00322 - 草莓 <br/>概率: 0.00211 - 假发 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/eae0c03d-d137-4662-b434-52f08b97676e.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 1: 头 16 </details> | <p align="left"><img width="256" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/df98118b-40da-4a62-b695-dfcb26d80770.jpg"></p> <details><summary>点击查看 6</summary>概率: 0.19960 - 客厅 <br/>概率: 0.16291 - 房间 <br/>概率: 0.11353 - 沙发 <br/>概率: 0.06036 - 长沙发 <br/>概率: 0.04741 - 地毯 <br/>概率: 0.04704 - 咖啡 <br/>概率: 0.03795 - 狗 <br/>概率: 0.03659 - 墙 <br/>概率: 0.02980 - 桌子 <br/>概率: 0.01611 - 地板 <br/>概率: 0.01594 - 灰色 <br/>概率: 0.01472 - 木头 <br/>概率: 0.01353 - 家具 <br/>概率: 0.01314 - 植物 <br/>概率: 0.01274 - 壁炉 <br/>概率: 0.01161 - 枕头 <br/>概率: 0.00941 - 椅子 <br/>概率: 0.00512 - 家 <br/>概率: 0.00434 - 毯子 <br/>概率: 0.00351 - 艺术 </details> | <p align="left"><img width="196" height="196" src="https://yellow-cdn.veclightyear.com/835a84d5/f07d37f9-df62-4667-8269-7e1bec967181.png"><br/></p><details><summary>注意力图信息</summary>解码器: 层 1: 头 16 </details> |
下表显示了使用前10个预测在验证集上复现的召回率结果(论文表1中的R列)。
<table> <tbody> <th valign="bottom">参数量</th> <th valign="bottom">训练组</th> <th valign="bottom">检查点</th> <th valign="bottom">md5</th> <th valign="bottom">CC3M</th> <th valign="bottom">COCO</th> <th valign="bottom">OpenImages</th> <tr> <td align="center">1.78B</td> <td align="center"> G3M</td> <td align="center"><a href="https://huggingface.co/kaiyuyue/nxtp/blob/main/ckpt_epoch_03_iter_0021360.pth">Hugging Face</a></td> <td align="center"><tt>b2a69b</tt></td> <td align="center">0.740</td> <td align="center">0.703</td> <td align="center">0.616</td> </tr> <tr> <td align="center">1.78B</td> <td align="center">G70M</td> <td align="center"><a href="https://huggingface.co/kaiyuyue/nxtp/blob/main/ckpt_epoch_03_iter_1656549.pth">Hugging Face</a></td> <td align="center"><tt>e177c7</tt></td> <td align="center">0.721</td> <td align="center">0.765</td> <td align="center">0.662</td> </tr> </tbody> </table>可以从上表中的链接下载检查点。 对于从Hugging Face下载,一种选择是使用git-lfs:
# 安装git lfs git lfs install # 在终端中下载检查点 git clone https://huggingface.co/kaiyuyue/nxtp
此外,也可以从网页浏览器的模型页面下载检查点。
这里有一张图片assets/starbux.jpg用于快速测试。 首先,请按照Dependencies中的说明准备环境。
要对图像进行推理,请运行
python src/infer.py \ --ckpt-path path/to/model/checkpoint \ --img-path assets/starbux.jpg \ --num-labels 20
在G3M上训练的模型输出将是
前20个预测: | 概率:0.05742 - 咖啡 | 概率:0.05525 - 餐厅 | 概率:0.04402 - 商店 | 概率:0.02528 - 房间 | 概率:0.02468 - 店铺 | 概率:0.02381 - 室内 | 概率:0.01732 - 区域 | 概率:0.01640 - 建筑 | 概率:0.01616 - 食物 | 概率:0.01408 - 酒吧 | 概率:0.01247 - 顾客 | 概率:0.01134 - 视图 | 概率:0.01059 - 地板 | 概率 :0.01045 - 桌子 | 概率:0.00933 - 厨房 | 概率:0.00926 - 家 | 概率:0.00872 - 看 | 概率:0.00841 - 人 | 概率:0.00693 - 杯子 | 概率:0.00665 - 柜台
在G70M上训练的模型输出将是
前20个预测: | 概率:0.15203 - 咖啡 | 概率:0.09728 - 商店 | 概率:0.09182 - 柜台 | 概率:0.03848 - 室内 | 概率:0.03389 - 酒吧 | 概率:0.03215 - 餐厅 | 概率:0.02440 - 桌子 | 概率:0.02245 - 店铺 | 概率:0.01950 - 区域 | 概率:0.01905 - 内部 | 概率:0.01590 - 星巴克 | 概率:0.01313 - 咖啡馆 | 概率:0.01220 - 椅子 | 概率:0.01172 - 地板 | 概率:0.01020 - 杯子 | 概率:0.00879 - 饮料 | 概率:0.00794 - 房间 | 概率:0.00746 - 顾客 | 概率:0.00635 - 木头 | 概率:0.00345 - 面包店
本项目采用CC-BY-NC 4.0许可证。详情请见LICENSE。
<!-- 脚注 -->图片来源:<a href="https://www.nintendo.com/jp/zelda/totk/index.html">塞尔达传说 王国之泪</a>。 ↩ ↩2
图片来源:<a href="https://www.spacex.com/vehicles/falcon-9/">Space-X</a>。 ↩
图片来源:<a href="https://openai.com/sora">OpenAI Sora</a>。 ↩ ↩2 ↩3 ↩4 ↩5
图片来源:作者在星巴克店内拍摄的照片。 ↩
图片来源:<a href="https://www.instagram.com/p/C027tvEhz7J/">超级马里奥兄弟 惊奇</a>。 ↩
图片来源:<a href="https://segment-anything.com/demo">Segment Anything演示 | Meta AI</a>。 ↩ ↩2 ↩3
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。
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。
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。
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。
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 ×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。
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