Project Icon

siglip-so400m-14-980-flash-attn2-navit

提升视觉模型分辨率与NaViT策略融合

项目提升视觉塔最大分辨率到980x980,结合NaViT策略,支持变分辨率及纵横比自适应的图像处理。这些更新确保与原模型的向后兼容性,同时扩展了视觉处理潜力。通过插值位置嵌入提升分辨率,NaViT策略实现灵活性。用户无需指定patch_attention_mask即可兼容旧版本,享受新功能的优势,确保模型在高效处理高分辨率图像时保持兼容性。

siglip-so400m-patch14-384 - SigLIP模型应用sigmoid损失函数提升多模态处理能力
GithubHuggingfaceSigLIPWebLI数据集图像分类多模态模型开源项目模型零样本学习
SigLIP模型基于WebLi数据集在384x384分辨率下预训练,采用SoViT-400m架构。通过sigmoid损失函数优化CLIP模型,在零样本图像分类和图像文本检索任务中表现优异。该模型可处理更大批量,同时在小批量下也有出色表现。经16个TPU-v4芯片3天训练,为多模态任务奠定了坚实基础。
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。
siglip-so400m-patch14-224 - 增强图像文本任务的性能,探索形状优化模型
GithubHuggingfaceSigLIPWebLI对比学习开源项目模型视觉零样本图像分类
SigLIP通过sigmoid损失函数优化了CLIP模型的图像和文本匹配性能。此模型在WebLi数据集上预训练,可实现更大的批量训练,同时在小批量下表现出色。适用于零样本图像分类和图像文本检索任务,能在不同环境下获得高效结果。该模型在16个TPU-v4芯片上训练三天,而图像预处理中使用标准化和归一化,提升了计算效率。
vit_small_patch16_384.augreg_in21k_ft_in1k - 增强的视觉转换器模型及其在图像分类中的应用
GithubHuggingfaceImageNetPyTorchVision Transformer图像分类开源项目数据增强模型
ViT图像分类模型结合增强与正则化技术,基于ImageNet-21k训练后在ImageNet-1k微调。模型通过JAX进行训练并移植至PyTorch,拥有22.2M参数和384x384图像输入,展示了12.4 GMACs的高效性。适用于图像分类与特征提取,在视觉识别和嵌入生成中表现出色。
NVLM-D-72B-nf4 - 多模态模型NF4量化与性能优化研究
GPU内存GithubHuggingfaceNVLM-D-72B图像文本生成开源项目模型模型转换量化
NVLM-D-72B模型NF4量化转换项目利用BitsAndBytes技术实现双重量化,旨在优化性能。目前纯文本处理表现出色,但图像处理功能仍需完善。项目优化了modeling_intern_vit.py文件,提高了量化模块兼容性。模型运行需48GB以上显存,遵循CC BY-NC 4.0许可。该项目为探索大型多模态模型量化提供了宝贵经验。
vit-large-patch16-384 - Vision Transformer大模型,提升高分辨率图像分类表现
GithubHuggingfaceImageNetVision Transformertransformer图像分类开源项目模型深度学习
项目提供了预训练于ImageNet-21k并在ImageNet 2012上微调的Vision Transformer(ViT)大模型。ViT通过将图像分为固定大小的补丁并使用Transformer编码器进行解析,提升了分类精度和特征提取能力,支持高分辨率视觉识别任务并兼容PyTorch使用。
ViT-SO400M-14-SigLIP-384 - 采用SigLIP技术的大规模视觉-语言预训练模型
GithubHuggingfaceSigLIPViT-SO400M-14WebLI图像文本对比开源项目模型零样本图像分类
ViT-SO400M-14-SigLIP-384是一个在WebLI数据集上训练的大规模视觉-语言预训练模型。该模型采用SigLIP(Sigmoid Loss for Language-Image Pre-training)技术,适用于对比学习和零样本图像分类任务。模型提供了与OpenCLIP和timm库的兼容性,支持图像和文本编码。研究人员可将其应用于图像分类、检索等多种视觉-语言任务中。
control_v11f1e_sd15_tile - 基于ControlNet的高精度图像超分辨率与细节增强模型
ControlNetGithubHuggingfaceStable Diffusion图像生成开源项目扩散模型模型深度学习
control_v11f1e_sd15_tile是ControlNet v1.1系列中专注于图像细节增强的模型。通过与Stable Diffusion结合,该模型能将低分辨率或模糊图像转换为清晰度更高的图像。这个开源项目不仅支持图像超分辨率处理,还可用于生成与输入图像大小相同但细节更丰富的图像,为数字图像处理提供了新的解决方案。
swinv2-base-patch4-window8-256 - 增强视觉Transformer模型,提供升级的容量与图像分辨率
GithubHuggingfaceImageNetSwin Transformer图像分类开源项目模型自监督预训练视觉Transformer
Swin Transformer v2是为图像分类和密集识别任务而设计的视觉Transformer模型。它在ImageNet-1k上进行256x256分辨率的预训练,具有通过局部窗口自注意力机制实现线性计算复杂度的特性。相比前代,Swin Transformer v2加入了残差后范数加余弦注意力以提升训练稳定性、日志距离连续位置偏置以提升低分辨率预训练模型在高分辨率任务中的表现,以及SimMIM自我监督预训练方法以减少对大规模标注图像的依赖。
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。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能,包括文生视频、动态画面和形象生成等,帮助用户快速上手,创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台,用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品,帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型,为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能,满足事务性工作的高频需求,帮助撰稿人节省精力,提高效率,优化工作与生活。

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

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