VNext

VNext

高级视频实例分割框架,支持在线和离线模式

VNext是一个基于Detectron2的视频实例识别框架,提供先进的在线和离线实例分割算法及对象中心的视频分割运动模型。用户可参考官方教程进行安装、训练和评估。最新算法InstMove、IDOL和SeqFormer在国际会议上获得认可并取得优异成绩。

VNext视频实例分割InstMoveIDOLSeqFormerGithub开源项目

VNext项目简介

VNext是一个基于Detectron2的下一代视频实例识别框架,致力于视频实例分割领域的前沿研究。这个框架不仅支持复杂的在线和离线视频实例分割算法,还提供了针对对象中心视频分割任务的运动模型。未来,VNext团队会持续更新和完善这个框架,以提供一个统一且高效的视频实例识别框架,促进该领域的进一步发展。

已实现算法

VNext目前包含以下三种算法的官方实现:

  • InstMove:这是一个为对象中心视频分割设计的算法,于2023年在CVPR大会上进行了展示。
  • IDOL:该算法是基于视频实例分割在线模型的防御机制,并在2022年的ECCV大会上以口头报告的形式发表。
  • SeqFormer:它是一个为视频实例分割设计的顺序转换器模型,亦在2022年的ECCV大会上进行了口头报告。

项目新闻

  • InstMove已被CVPR 2023录用,其代码和模型可供研究者获取和使用。
  • IDOL和SeqFormer均在ECCV 2022上进行了口头报告,IDOL更是在第四届大型视频对象分割挑战的比赛中荣获第一名。

入门指南

  • 安装和数据准备详细步骤请参考安装说明。
  • InstMove的训练、评估、插件以及模型仓库详细说明可参考相关文档。
  • IDOL和SeqFormer的训练、评估及模型仓库的详细信息也有相应说明。

IDOL详细介绍

IDOL(在线模型在视频实例分割中的防御)在视频实例分割领域取得了显著成绩。IDOL解决了在线模型和离线模型之间的性能差距问题,并在三个基准测试中均超越了现有的方法。该算法在视频实例分割的国际挑战中也取得了优秀的成绩。

量化结果

IDOL在YouTube-VIS 2019和OVIS 2021的测试中展示了其优越的性能。

SeqFormer详细介绍

SeqFormer利用顺序转换器技术在视频的每一帧中定位实例,同时汇聚时间信息,形成强大的视频实例表示,用于动态预测每一帧的掩码序列。SeqFormer是一种准确且简洁的离线模型,能够实现自然的实例追踪,而无需额外的追踪分支或后处理步骤。

量化结果

SeqFormer在YouTube-VIS 2019和2021的测试中表现出色,展示了其在视频实例分割任务中的强大能力。

致谢

VNext项目的开发受益于其他开源项目的启发和支持,包括Detectron2、Deformable DETR、VisTR和IFC,感谢这些项目的贡献者们的优秀工作。

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