Project Icon

surya_rec

surya项目专用的多语言文本识别模型

surya_rec是一个开源的文本识别模型,基于cc-by-nc-sa-4.0许可发布。该模型作为surya项目的一部分,专注于多语言文本的识别和提取。surya_rec采用深度学习技术,旨在高效识别和提取多语言文本内容,支持文档分析和信息提取。模型注重准确性和性能,为开发者提供强大的OCR解决方案。有兴趣的开发者可通过surya项目的GitHub仓库了解更多详情和使用方法。

DAVAR-Lab-OCR - 多模态文档理解开源工具箱
DAVAR-OCRGithub开源代码库开源项目文字识别文档理解算法实现
DAVAR-Lab-OCR是海康威视研究院DAVAR实验室开发的开源OCR仓库,实现了多项最新学术成果。该工具箱涵盖文本检测、识别和端到端识别等基础OCR任务,同时包含信息提取、表格识别和版面分析等文档理解功能。基于mmdetection和mmcv框架构建,具有良好的兼容性和扩展性,为OCR领域的研究和应用提供了综合解决方案。
ddddocr - 多功能验证码识别库 支持OCR与目标检测
DdddOcrGithubOCR开源项目滑块检测目标检测验证码识别
ddddocr是一个开源的验证码识别库,支持基础OCR、目标检测和滑块识别等多种功能。该项目采用深度学习技术,无需针对特定验证码训练,具有通用性强的特点。ddddocr支持Windows、Linux和MacOS等主流操作系统,提供Python接口便于集成。项目设计注重简化配置和使用流程,为开发者提供了一个高效的验证码识别工具。
llava-v1.6-34b-hf - 图像与文本交互的多模态AI模型
GithubHuggingfaceLLaVa-NeXTNous-Hermes-2-Yi-34B光学字符识别多模态聊天机器人开源项目模型视觉指令微调
LLaVa-NeXT模型结合大规模语言模型与视觉编码器,通过提高图像分辨率和优化数据集,增强了OCR和常识推理能力,适用于多模态对话应用场景。支持图像字幕生成和视觉问答,提供双语功能与商业许可保障。
InternViT-6B-448px-V1-5 - 提升视觉模型分辨率及多语言OCR精度
GithubHuggingfaceInternViT-6B-448px-V1-5OCR能力图像特征提取开源项目模型视觉基础模型高分辨率处理
InternViT-6B-448px-V1-5在InternViT-6B-448px-V1-2的基础上,通过动态调整训练图像分辨率和强化数据集质量来提高模型的高分辨率处理和OCR能力。该模型具有5540M参数,使用1到12块瓦片进行训练,并通过PaddleOCR进行了中英文OCR处理,增强了多语言OCR性能。建议在构建视觉语言模型时,使用最后一层的特征。
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。
parakeet-rnnt-1.1b - 高性能英语语音识别模型实现优异音频转文本效果
FastConformerGithubHuggingfaceNeMoTransducer开源项目模型自动语音识别英语语音模型
parakeet-rnnt-1.1b是NVIDIA NeMo和Suno.ai联合开发的英语语音识别模型。基于FastConformer Transducer架构,该模型拥有11亿参数,在64000小时英语语音数据上训练。它能准确将语音转录为小写英文文本,并在多个标准数据集上表现出色。研究人员可通过NeMo工具包使用该模型进行推理或微调,适用于多种语音识别场景。
Yi-34B-200K - 开源双语大模型 提升长文本理解能力
GithubHuggingfaceTransformerYi双语大语言模型开源开源项目模型
Yi-34B-200K是开源的双语大语言模型,专注于提升长文本理解。通过在长时间上下文数据上训练5亿个token,Yi-34B-200K的『寻针与草垛』测试表现从89.3%提高到99.8%。其独特的数据集和高效的训练管道,使Yi系列在语言理解、常识推理和阅读理解方面表现优异,超过其他开源模型。该模型适用于个人、学术和中小企业,性价比较高。
llm_aided_ocr - 提升OCR文本质量和一致性的系统
FAISSGithubLLM-Aided OCROCROpenAI APITesseract开源项目
该系统利用自然语言处理、机器学习和智能文本处理技术,将OCR输出的文本转换为高精度、格式化良好的易读文档。它解决了字符识别错误、段落结构不正确、虚构内容和格式不一致等常见OCR问题。支持从PDF到图像的转换,使用Tesseract进行OCR,并提供通过本地或API接口进行高级错误校正、智能文本分块处理和Markdown格式化等功能。此外,还采用FAISS和嵌入相似性检查进行内容过滤,确保输出文本的质量和一致性。
Yi-6B - 开源双语大型语言模型的性能和应用
GithubHuggingfaceYi series人工智能大语言模型开源开源项目机器学习模型
Yi系列模型是01.AI从头自主训练的开源大型语言模型,支持双语,适用于语言理解、常识推理和阅读理解。Yi-34B-Chat在多项评估中表现出色,仅次于GPT-4 Turbo,而Yi-34B在开源模型中名列前茅。该系列模型采用Transformer架构,结合高质量训练数据集和高效管道,适合广泛的个人、学术和商业用途,支持在多个平台试用。
MiniCPM-V-2_6-int4 - 精简高效的多语言视觉AI对话模型
GithubHugging FaceHuggingfaceMiniCPM-V图像识别多模态开源项目模型量化模型
MiniCPM-V-2_6-int4是一款经过int4量化的多语言视觉对话模型,GPU内存占用仅约7GB。该模型支持图像理解、OCR、多图像处理和视频分析等视觉任务,可通过Python代码实现流式输出。作为一个资源友好型视觉AI工具,MiniCPM-V-2_6-int4在保持性能的同时提高了部署效率,适合开发者进行各类视觉AI应用开发。
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

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。

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