懂AI
computervision-recipes

computervision-recipes

计算机视觉领域的实用示例和指南，涵盖面部识别、图像识别等多种视觉任务

computervision-recipes为数据科学家和机器学习工程师提供计算机视觉领域的实用示例和指南，涵盖面部识别、图像识别等多种视觉任务，并便利地利用先进库加速从概念到实现的全过程，并在云端实现模型训练与部署。

计算机视觉图像识别PyTorchAzure模型部署Github开源项目
访问官网GitHubHugging Face文档

computervision-recipes 项目介绍

背景介绍

近年来，计算机视觉领域经历了惊人的增长，应用包括人脸识别、图像理解、搜索、无人机、地图构建以及半自动和自动驾驶车辆等。这些应用中一个关键部分是视觉识别任务，比如图像分类、物体检测和图像相似度等。

项目目标

computervision-recipes 项目旨在提供构建计算机视觉系统的示例和最佳实践指南。其目标是利用最新的计算机视觉算法和神经网络架构，结合云端环境的实际应用，创建一套全面的工具和示例。相较于从头开始实现，项目更倾向于使用现有的前沿库，并提供数据加载、模型优化、评估和扩展到云端等额外的实用工具。

该项目希望，通过简化从业务问题定义到解决方案开发的流程，大幅减少市场推向时间。此外，提供的示例笔记本旨在作为指南，展示在各种编程语言中的最佳实践和工具使用。

项目特点

  • 提供采用 PyTorch 的计算机视觉示例，并配有 Jupyter 笔记本以及常用的实用函数。
  • 包含的视觉场景既支持对单张图片操作，也支持视频序列输入的动作识别等复杂场景。
  • 项目对象为具备不同程度计算机视觉知识的数据科学家和机器学习工程师，旨在为实际视觉问题提供解决方案加速器。

使用指南

使用者可以通过访问项目的设置指南进行环境配置，然后浏览Scenarios文件夹开始探索各个笔记本。建议从图像分类的笔记本开始，因为其中引入的概念也适用于其他场景，比如基于 ImageNet 的预训练。

项目还通过Binder支持在线运行笔记本，虽然性能可能受到限制。

支持的场景

项目覆盖多种常用的计算机视觉场景，包括：

  • 分类 (Classification)：学习和预测给定图像的类别。
  • 相似度 (Similarity)：计算两张图片间的相似度分数。
  • 检测 (Detection)：检测图像中物体的边界框。
  • 关键点 (Keypoints)：检测物体上的特定点，比如人体姿态的关节点。
  • 分割 (Segmentation)：为图像每个像素分配类别。
  • 动作识别 (Action recognition)：识别视频录像中的动作及其开始和结束时间。
  • 追踪 (Tracking)：在视频序列中检测并追踪多个物体。
  • 人群计数 (Crowd counting)：在不同人群密度下计数。

项目代码库分为两部分：基础的“base”代码（代码和笔记本遵循严格性编码规范，并进行充分的测试和维护），以及位于“contrib”文件夹的“contrib”代码，主要覆盖不常见的前沿计算机视觉场景。

Azure上的计算机视觉

对于某些计算机视觉问题，Azure 提供的预构建或易于定制的解决方案可能已经足够解决问题，这些不需要自定义编码或机器学习知识。例如：

  • Vision Services：预训练的 REST APIs，可以实现图像标记、人脸识别、文字识别等。
  • Custom Vision：提供了一种简单的界面，通过用户提供的训练集训练和部署模型，并提供更高的灵活性。

若需自己训练模型，Azure Machine Learning 服务和 Azure AI 参考架构则可以为扩展和可靠的训练和部署提供支持。项目中的多个笔记本展示了如何在云端使用这些工具进行模型部署。

贡献及建议

该项目欢迎各种贡献和建议，具体请参考贡献指南。

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