LITv2

基于HiLo注意力的快速视觉Transformer

LITv2 HiLo注意力视觉Transformer 图像分类目标检测 Github 开源项目

LITv2是一种基于HiLo注意力机制的高效视觉Transformer模型。它将注意力头分为两组,分别处理高频局部细节和低频全局结构,从而在多种模型规模下实现了优于现有方法的性能和更快的速度。该项目开源了图像分类、目标检测和语义分割任务的预训练模型和代码实现。

文档

detectron2 - Facebook开源的高性能目标检测和图像分割框架

Detectron2Github图像分割开源项目深度学习目标检测计算机视觉

Detectron2是Facebook AI Research开发的开源计算机视觉库，提供先进的目标检测和图像分割算法。它支持全景分割、Densepose和级联R-CNN等功能，可用于研究项目和生产应用。该库训练速度快，支持模型导出，并提供大量预训练模型。Detectron2为研究人员和开发者提供了强大而灵活的工具，推动计算机视觉技术的发展和应用。

dinov2-large - 基于Vision Transformer的大规模自监督视觉特征学习模型

DINOv2GithubHuggingfaceVision Transformer图像处理开源项目模型特征提取自监督学习

DINOv2-large是基于Vision Transformer架构的大规模视觉模型，采用自监督学习方法训练。该模型能从海量未标注图像中学习视觉特征表示，适用于多种下游视觉任务。它将图像转换为固定大小的patch序列输入Transformer编码器，提取高质量特征。研究人员可直接使用其预训练编码器进行特征提取，或针对特定任务进行微调，体现了模型的通用性和灵活性。

swin-base-patch4-window7-224-in22k - 基于shifted windows的分层视觉Transformer图像处理模型

GithubHuggingfaceSwin Transformer图像分类图像识别开源项目模型深度学习计算机视觉

Swin Transformer是一个在ImageNet-21k数据集上预训练的视觉模型，通过shifted windows机制实现局部特征提取，降低计算复杂度。模型采用分层特征图构建和局部注意力计算方式，适用于图像分类和密集识别任务，计算复杂度与输入图像大小呈线性关系

ViT-SO400M-14-SigLIP - 基于SigLIP的视觉-语言模型实现零样本图像分类

GithubHuggingfaceSigLIPViT图像分类开源项目机器学习模型自然语言处理

ViT-SO400M-14-SigLIP是基于WebLI数据集训练的视觉-语言预训练模型，采用sigmoid损失函数进行图像和文本的联合学习。该模型在零样本图像分类任务中表现出色，具有良好的跨模态理解能力。通过OpenCLIP和timm库，用户可以方便地使用该模型生成图像和文本嵌入。ViT-SO400M-14-SigLIP适用于图像分类、图像检索等多种计算机视觉和自然语言处理任务。

mobilevit_xs.cvnets_in1k - MobileViT 轻量级通用移动友好的视觉Transformer

GithubHuggingfaceImageNet-1kMobileViTtimm图像分类开源项目模型特征提取

MobileViT是一种轻量级视觉Transformer模型，专为移动设备设计。mobilevit_xs.cvnets_in1k版本在ImageNet-1k数据集上训练，仅有2.3M参数和1.1 GMACs计算量。该模型适用于图像分类、特征提取和嵌入生成等任务，平衡了性能和资源消耗。它融合了MobileNet的轻量化结构和Vision Transformer的强大特性，为资源受限环境提供了高效解决方案。

vilt-b32-finetuned-vqa - ViLT：基于Transformer的无卷积视觉语言问答模型

GithubHuggingfaceViLTVision-and-Language Transformer图像处理开源项目模型自然语言处理视觉问答

vilt-b32-finetuned-vqa是一个在VQAv2数据集上微调的视觉问答模型，基于ViLT架构。该模型无需卷积或区域监督，可高效处理图像和文本的多模态任务。通过PyTorch，开发者能轻松实现视觉问答功能，只需输入图像和问题即可。这一模型为视觉语言理解领域的研究和应用提供了有力支持。

vit_base_r50_s16_384.orig_in21k_ft_in1k - ResNet-Vision Transformer混合模型用于高精度图像分类

GithubHuggingfaceImageNetResNetVision Transformertimm图像分类开源项目模型

本模型结合ResNet与Vision Transformer优势，在大规模ImageNet-21k数据集上预训练，并在ImageNet-1k上微调，实现高效准确的图像分类。具备9900万参数，支持384x384像素输入，可用于分类任务和特征提取。研究人员可通过timm库轻松应用此模型，进行推理或深入研究。

LLaVA - 提升大型语言与视觉模型的视觉指令调优

GPT-4GithubLLaVA多模态交互大型语言与视觉模型开源项目视觉指令调优

LLaVA项目通过视觉指令调优提升大型语言与视觉模型的性能，达到了GPT-4级别。最新更新包括增强版LLaVA-NeXT模型及其在视频任务上的迁移能力，以及高效的LMMs-Eval评估管道。这些更新提升了模型的多任务和像素处理能力，支持LLama-3和Qwen等不同规模的模型，并提供丰富的示例代码、模型库和数据集，方便用户快速上手和深度研究。

llava-1.5-13b-hf - 基于Llama 2的多模态视觉语言模型集成图像理解与对话功能

GithubHuggingfaceLLaVA图像理解多模态对话开源项目机器学习模型自然语言处理

llava-1.5-13b-hf作为开源多模态模型整合了Llama 2架构，实现图像理解和自然语言对话功能。模型通过transformers库实现多图像处理和多提示生成，并集成4位量化与Flash-Attention 2优化方案提升运行效率。在图像描述、视觉问答等任务中表现出色，体现了视觉语言模型的技术创新。

相关项目

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