donut-base-finetuned-cord-v2

基于CORD数据集的直接文档理解转换模型

文档识别 Donut 机器视觉开源项目模型 Huggingface 图像转文字文档解析 Github

该模型采用Swin Transformer编码器和BART解码器架构，通过CORD数据集优化，实现了直接的图像到文本转换功能。模型跳过了传统OCR步骤，直接将文档图像编码为张量表示，再解码生成文本内容，简化了文档理解流程。

文档

deformable-detr-DocLayNet - Deformable DETR模型实现文档布局分析基于DocLayNet数据集

Deformable DETRDocLayNetGithubHuggingface图像处理对象检测开源项目文档布局分析模型

这是一个基于Deformable DETR架构的文档布局分析模型，在DocLayNet数据集上训练。该模型可检测和分类11种文档布局元素，在DocLayNet测试集上实现57.1 mAP。它采用transformer编码器-解码器结构，结合CNN主干网络，使用双向匹配损失训练。此模型可用于文档布局分析任务，也可集成到Aryn分区服务等应用中。

layoutlmv2-base-uncased - LayoutLMv2为文档理解带来突破性进展

GithubHuggingfaceLayoutLMv2多模态预训练开源项目文档AI模型自然语言处理视觉文档理解

LayoutLMv2是一种先进的多模态预训练模型，整合了文本、版面布局和图像信息，专门用于文档智能处理。该模型在FUNSD、CORD、SROIE等多个文档理解任务中创下新纪录，显著优于现有方法。通过创新的预训练任务，LayoutLMv2有效捕捉了文本、布局和图像之间的复杂关系，大幅提升了对富视觉信息文档的理解能力。作为文档AI领域的重要突破，LayoutLMv2为各类文档智能应用奠定了坚实基础。

manga-ocr - 日本漫画光学字符识别工具，支持多种文本处理场景

GithubManga OCRPythonTransformers光学字符识别开源项目日本放送協会

Manga OCR 是一款基于Transformer的自定义端到端模型的光学字符识别工具，专为日本漫画设计。它可以识别垂直和平行文本、带有振假名的文本、覆盖在图像上的文本、各种字体以及低质量图像。Manga OCR 支持一次性识别多行文本，适用于漫画中的文本气泡。同时，该项目还提供与GUI阅读器和HTML覆盖生成工具的集成，便于用户创建完整的阅读和挖掘工作流程。

deep-text-recognition-benchmark - 基于深度学习方法的文本识别

GithubPyTorch场景文本识别开源项目数据集模型分析深度学习

该项目是一个开源的场景文本识别框架，通过四阶段的官方PyTorch实现，支持现有大多数STR模型。它允许在统一的数据集上，评估各个模块的性能表现，包括准确性、速度和内存需求，并已被多个国际竞赛验证。用户可使用预训练模型进行测试，或进行更深入研究。

git-base-coco - 应用于多任务的图像文本生成模型

COCOGITGithubHuggingface图像识别开源项目模型模型训练视觉问答

GIT是一种基于Transformer的图像文本生成模型，进行了COCO数据集的微调。其设计提升了在图像和视频描述以及问答上的能力。模型结合了CLIP图像令牌与文本令牌进行训练，能够有效预测下一个文本令牌。GIT被应用于图像和视频的标题生成、视觉问答和图像分类等视觉任务，利用大量图像文本对进行训练，实现了多样化的视觉语言任务，提升了视觉理解和交互的效果。

bart-finetuned-text-summarization - BART Large CNN模型实现精准文本摘要

BARTGithubHuggingface人工智能开源项目文本摘要模型深度学习自然语言处理

BART Large CNN文本摘要模型基于Facebook的BART架构，经过xsum数据集微调，专门用于生成高质量摘要。该模型采用序列到序列技术，可处理多种自然语言任务。它能为新闻文章、研究报告等长篇文本生成简洁准确的摘要，帮助读者快速把握核心内容。模型易于集成，支持自定义参数调整，适用于各种文本摘要应用场景。

InternViT-300M-448px - 动态分辨率视觉模型提供高效特征提取和OCR功能

GithubHuggingfaceInternViTOCR能力图像嵌入开源项目模型知识蒸馏视觉基础模型

InternViT-300M-448px是一个经过知识蒸馏的视觉基础模型，具有304M参数量和448x448的动态输入分辨率。该模型支持多图块处理，训练时1-12个，测试时可扩展至40个。通过在LAION、COYO等多个数据集上预训练，并整合额外OCR数据，模型展现出优秀的鲁棒性、文字识别和高分辨率处理能力。它可为多种视觉任务提供高质量的图像特征提取。

fuyu-8b - 无需图像编码器的轻量级多模态开源模型

Fuyu-8BGithubHuggingface人工智能图像识别多模态模型开源项目模型计算机视觉

Fuyu-8B是Adept AI开发的开源多模态模型，基于decoder-only transformer架构设计。模型无需图像编码器即可处理任意分辨率图像，处理速度在100毫秒以内。在图表解析、UI交互和视觉定位等任务中展现稳定性能，同时在标准图像理解测试中表现良好。作为基础模型，适合通过微调来满足不同场景需求。

bros-base-uncased - 整合文本布局的文档信息提取预训练语言模型

BROSGithubHuggingface光学字符识别开源项目文本布局分析文档信息提取模型预训练语言模型

BROS是一种创新的预训练语言模型，结合了文本内容和空间布局信息，以提升文档关键信息提取的效果。该模型能够处理OCR识别后的文本和边界框数据，适用于多种文档分析任务，例如从收据中提取商品清单。BROS提供base和large两种规模的模型，参数量分别约为110M和340M。这一开源项目已在Hugging Face平台上发布，为研究人员和开发者提供了强大的文档信息提取工具。

dpt-beit-base-384 - 基于BEiT主干的DPT模型实现单目深度估计

DPTGithubHuggingface图像处理开源项目模型深度估计神经网络计算机视觉

DPT (Dense Prediction Transformer) 是一个基于BEiT主干的模型，专门用于单目深度估计。该模型在140万张图像上训练，可进行零样本深度估计。采用Transformer架构，具备强大的密集预测能力，能生成高质量深度图。模型可通过Python代码或pipeline API轻松使用，为计算机视觉任务提供了有力工具。

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com