懂AI
keras_cv_attention_models

keras_cv_attention_models

深度学习模型和使用指南

该项目提供全面的深度学习模型和使用指南，支持Keras和PyTorch后端。涵盖基础操作、模型训练、推理优化等功能，并详细介绍识别、检测、分割和语言模型的使用。还支持ONNX导出和推理性能评估。

Keras_cv_attention_modelsTensorFlowPyTorch模型训练Github开源项目
GitHub文档

项目简介

keras_cv_attention_models 是一个强大的工具包，专注于计算机视觉中的注意力模型，它基于 Keras 框架构建，支持多种深度学习模型和后端（包括 TensorFlow 和 PyTorch）。该项目旨在为研究人员和开发人员提供便捷的模型构建、训练、评估和转换的功能。

使用概述

基本使用

  • 可通过 pip 安装该工具包，kecam 是它的简称。
  • 提供了基础模型预测功能，用户可以导入模型并进行图像分类。
  • 支持利用 preprocess_input 和 decode_predictions 进行图片预处理和预测结果解码。
  • 可通过设置 num_classes=0 来排除模型顶部的全局池化和全连接层。
  • 可使用 pretrained 参数重新加载自定义模型权重，支持更改 input_shape 的情况下重新加载权重。

模型推理

  • 支持 T4 Inference，可以在多种硬件平台上测试模型的性能。
  • 支持利用 onnx 格式进行加速推理，利用 trtexec 在 T4 GPU 上进行的测试获取性能数据。

深度学习模型

识别模型

该项目提供了一系列深度学习识别模型，这些模型已经在各种标志性的数据集上进行了预训练。包括但不限于以下模型：

  • ResNet、EfficientNet、MobileNet、ConvNeXt
  • SwinTransformer、CoAtNet、UniFormer

检测模型

对于物体检测任务，项目提供了 EfficientDet、YOLOX、YOLOR、YOLOV7 等模型，以满足不同的应用场景需求。

其他模型

项目还提供了用于图像分割的 YOLOV8 Segmentation、用于生成图像的稳定扩散模型，以及语言模型如 GPT2 和 LLaMA2。

训练与评估

ImageNet 训练与评估

提供了一整套工具用于在 ImageNet 上训练和评估模型，包括数据集初始化、训练恢复、评估脚本等。支持渐进式训练，提高模型性能。

COCO 训练与评估

该部分主要针对目标检测任务，目前处于测试阶段。支持自定义数据集，提供典型的 EfficientDet 和 YOLOX 训练脚本。

CLIP 与文本训练

项目提供了 CLIP 和文本模型训练的支持，可以在 COCO 等数据集上进行训练实验，并支持设置为 PyTorch 后端进行训练。

可视化

提供了用于可视化卷积神经网络滤波器和注意力图的工具，通过 Grad-CAM 技术可以清晰地展示模型的注意力焦点。

TFLite 转换

工具包支持将模型转换为 TFLite 格式，进行移动设备上的模型部署和优化。对于 TFLite 不支持的操作，提供了替代方法帮助转换。

总结

keras_cv_attention_models 是一个全面且灵活的工具包，适合于计算机视觉领域的研究和应用。无论是新手还是有经验的开发者，都可以从中找到实用的工具和信息，以支持他们的深度学习研究与开发。

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