pix2struct

基于截图解析的视觉语言预训练模型

Pix2Struct 视觉语言理解预训练模型数据预处理实验运行 Github 开源项目

Pix2Struct是一个基于截图解析的视觉语言预训练模型。该模型可处理图像描述、图表问答和界面元素理解等多种任务。项目提供预训练的Base和Large模型检查点,以及9个下游任务的微调代码。Pix2Struct在多个视觉语言任务中表现优异,为相关研究提供了有力支持。

Github

论文

介绍相关项目

bert-base-uncased-sst2-unstructured80-int8-ov - BERT模型的非结构化剪枝与量化优化技术

BERTGLUE SST2GithubHuggingfaceOpenVINO开源项目模型蒸馏量化

该项目通过非结构化幅度剪枝、量化和蒸馏，在GLUE SST2数据集上优化了BERT模型。模型在Torch和OpenVINO IR模式下准确率达到0.9128，并在Transformer层中实现了80%的稀疏性。此项目适用于OpenVINO 2024.3.0及以上版本及Optimum Intel 1.19.0及更高版本，利用NNCF完成优化，同时提供详细的参数与训练步骤，以实现高效的文本分类。

transformers-interpret - 快速解读Transformer模型的工具，只需2行代码

GithubTransformers Interprettransformers可视化开源项目文本分类解释工具

Transformers-interpret是一款为Transformer模型设计的解释工具，只需简单代码即可实现。支持文本和计算机视觉模型，并可在笔记本中展示或保存为PNG和HTML文件。通过导入预训练模型和tokenizer，用户能快速获得预测分类解释，并提供可视化功能。此项目基于Captum库构建，支持多标签分类等功能，帮助开发者深入理解模型决策。

prismer - 集成多任务专家的先进视觉语言模型

GithubHuggingfacePrismerPrismerZPyTorchVision-Language Model开源项目

Prismer 是一款集成多任务专家的视觉语言模型，适用于图像标注和视觉问答任务。基于PyTorch 1.13，实现了与Huggingface工具的深度融合，支持多节点和多GPU训练。模型支持包括COCO 2014和Visual Genome在内的多个数据集进行预训练和微调，提供Prismer和PrismerZ多个版本的模型检查点。

table-transformer-structure-recognition - Table Transformer表格结构识别模型

DETRGithubHuggingfaceTable Transformer对象检测开源项目模型深度学习表格识别

Table Transformer是一个基于DETR架构的表格结构识别模型，在PubTables1M数据集上微调。它能有效检测表格中的行、列等结构元素，适用于非结构化文档中的表格提取。这个开源模型可用于改进文档分析和信息提取流程。作为一种先进的图像识别和机器学习技术，Table Transformer为表格结构识别任务提供了新的解决方案。

blip2-opt-6.7b-coco - 结合图像理解与自然语言处理的多模态AI系统

BLIP-2GithubHuggingfaceOPT-6.7b图像标注图像编码器开源项目模型视觉问答

BLIP-2是一种创新的视觉-语言AI系统，集成了CLIP图像编码器、查询转换器和OPT-6.7b大型语言模型。通过冻结预训练的图像编码器和语言模型，仅训练查询转换器，实现了视觉和语言的有效桥接。该模型能够完成图像描述、视觉问答和基于图像的对话等多样化任务。尽管BLIP-2继承了OPT模型的强大能力，但研究人员在应用时需要注意评估其在特定场景中可能存在的偏见和安全风险。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

CLIP - CLIP是一种在各种（图像、文本）对上训练的神经网络

CLIPGithubPyTorch图像识别开源项目模型训练自然语言处理

CLIP通过对比学习训练神经网络，结合图像和文本，实现自然语言指令预测。其在ImageNet零样本测试中的表现与ResNet50相当，无需使用原始标注数据。安装便捷，支持多种API，适用于零样本预测和线性探针评估，推动计算机视觉领域发展。

clip-vit-base-patch32 - OpenAI CLIP模型实现零样本图像分类的视觉语言预训练

CLIPGithubHuggingfaceOpenAI图像分类开源项目模型计算机视觉零样本学习

CLIP是OpenAI开发的视觉语言预训练模型,使用ViT-B/32和Transformer架构分别作为图像和文本编码器。通过对比学习训练,CLIP能实现零样本图像分类等任务,在多项计算机视觉基准测试中表现优异。尽管在细粒度分类和物体计数方面存在局限,CLIP为研究人员提供了探索模型鲁棒性和泛化能力的重要工具。

3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTAGithub多模态融合开源项目自然语言处理计算机视觉预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

ViT-Prisma - 视觉变换器和CLIP模型机制解析开源库

GithubVision Transformer图像处理开源库开源项目机器学习解释性神经网络可视化

ViT-Prisma是一个专注于Vision Transformer和CLIP模型的开源机制解析库。它提供logit归因、注意力可视化和激活修补等技术，用于深入分析模型内部机制。该库还包含ViT训练代码和预训练模型，支持ImageNet-1k和dSprites分类任务。ViT-Prisma为视觉模型可解释性研究提供了实用的工具集。

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