scaling_on_scales

为视觉模型实现多尺度特征提取的机制

S2-Wrapper 多尺度特征提取计算机视觉深度学习模型扩展 Github 开源项目

S²-Wrapper是一种为视觉模型实现多尺度特征提取的机制。项目提供PyTorch实现,探讨图像尺度缩放与模型规模缩放的效果对比。S²-Wrapper已集成到LLaVA和NVIDIA VILA等多模态模型中,提升了多项视觉任务性能。项目包含使用指南和示例,便于研究人员和开发者应用。

swinv2-tiny-patch4-window16-256 - Swin Transformer v2：分层特征图构建的高效视觉模型

GithubHuggingfaceSwin Transformer v2图像分类开源项目模型深度学习神经网络计算机视觉

Swin Transformer v2是一种改进的视觉模型，通过合并图像块构建分层特征图，适用于图像分类和密集识别任务。它采用局部窗口自注意力机制，实现了线性计算复杂度。模型引入残差后归一化、余弦注意力和对数间隔连续位置偏置等技术，提升训练稳定性和迁移能力。同时，利用SimMIM自监督预训练方法减少了对大量标记图像的依赖。

scalingup - 使用语言引导的机器人技能自动生成框架

GithubScaling Up and Distilling Down开源项目扩展任务数据生成机器人技能获取语言引导

该项目提出了一种无需专家示范、手动奖励监督和手动语言注释的语言引导技能学习框架。它能够通过任务描述自动生成多样化的机器人轨迹，并含有成功标签和详细的语言标签。该框架支持在多种NVIDIA GPU环境下运行，包括GTX 1080和RTX系列。

HistoSSLscaling - 病理组织图像自监督学习新方法

GithubPhikonViT开源项目掩码图像建模组织病理学自监督学习

HistoSSLscaling项目开发了基于掩码图像建模的自监督学习方法，用于病理组织图像分析。该项目的Phikon模型在4000万张全癌种病理切片上预训练，在多项下游任务中表现出色。项目提供了预训练模型、代码和数据集特征，为计算病理学研究提供支持。

MambaVision-S-1K - MambaVision融合Mamba与Transformer的计算机视觉新型架构

GithubHuggingfaceMambaVision图像分类开源项目模型深度学习模型特征提取计算机视觉

MambaVision-S-1K是一种新型计算机视觉模型,首次融合了Mamba和Transformer的设计理念。研究者通过改进Mamba结构增强了其视觉特征建模能力,并验证了与Vision Transformer的有效集成。在ImageNet-1K基准测试中,该模型在准确率和效率方面取得了平衡。MambaVision可用于图像分类和特征提取任务,提供了简洁的调用接口。这一创新架构为计算机视觉领域带来了新的研究思路和应用前景。

llava-1.6-mistral-7b-gguf - 基于Mistral-7B的LLaVA多模态模型GGUF量化版

GithubHuggingfaceLLaVAMistral图像识别多模态模型开源项目机器学习模型

LLaVA-1.6-Mistral-7B是一款开源的视觉语言模型GGUF量化版本，提供3bit至8bit多个压缩等级选择。该模型整合了图像理解与对话能力，通过大规模图文对和多模态指令数据训练而成。其中4bit和5bit量化版本在性能与模型体积之间取得良好平衡，适合在计算资源有限的场景下部署使用

yoloair2 - 多模型集成的YOLO目标检测工具库

GithubPyTorchYOLOAir2YOLO系列开源项目模型改进目标检测

YOLOAir2是一个基于PyTorch的YOLO系列算法工具库,集成了YOLOv7、YOLOv5等多种YOLO变体。它统一了模型代码框架和应用方式,支持用户自由组合backbone、neck和head模块,以构建定制化的目标检测网络。除目标检测外,该项目还整合了实例分割、图像分类等相关任务,为计算机视觉研究提供了便利的实验平台。

ViP-LLaVA - 改进大型多模态模型的视觉提示理解能力

CVPR2024GithubViP-LLaVA多模态模型开源项目视觉提示视觉语言模型

ViP-LLaVA项目旨在提升大型多模态模型对任意视觉提示的理解能力。通过在原始图像上叠加视觉提示进行指令微调，该方法使模型能更好地处理多样化的视觉输入。项目还开发了ViP-Bench，这是首个零样本区域级基准，用于评估多模态模型性能。ViP-LLaVA提供完整的训练流程、模型权重和演示，为视觉语言模型研究提供了有力支持。

llava-onevision-qwen2-0.5b-si - 多模态AI模型实现图像、多图和视频的智能交互

GithubHuggingfaceLLaVA-OneVisionQwen2图像处理多模态开源项目模型视觉语言模型

LLaVA-OneVision是一个基于Qwen2的多模态AI模型，能够处理图像、多图和视频输入。它具有32K tokens的上下文窗口，支持英文和中文交互。该模型在AI2D、ChartQA和DocVQA等多项任务中表现优异，为视觉语言应用提供了强大的基础。LLaVA-OneVision采用LLaVA-OneVision数据集进行训练，可轻松集成到各类视觉语言项目中。

llava-v1.6-mistral-7b - LLaVA-v1.6：融合图像与文本理解的开源多模态AI模型

GithubHuggingfaceLLaVA图像文本多模态大语言模型开源项目指令调优模型

LLaVA-v1.6-Mistral-7B是一个基于Mistral-7B-Instruct-v0.2的开源多模态AI模型。这个模型通过大规模多模态指令数据微调，能同时处理图像和文本输入。2023年12月发布的LLaVA-v1.6-Mistral-7B主要应用于多模态模型和AI对话系统研究。该模型在12个评估基准上表现优异，涵盖5个学术视觉问答任务和7个针对指令理解的最新多模态模型基准。

Video-LLaVA - 视频多模态模型，具备像素级定位能力

GithubLMMPG-Video-LLaVA像素级别定锚开源项目视频理解音频上下文

PG-Video-LLaVA通过模块化设计，首次实现视频多模态模型具备像素级定位能力。该框架使用现成的追踪器和创新的定位模块，能够根据用户指令在视频中实现空间定位。引入新的基准测试用于评估基于提示的对象定位性能，并结合音频上下文完善视频内容理解，提高在对话和新闻视频等场景中的适用性。改进的定量基准测试确保更高的透明度和可重复性。

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