Project Icon

lotus-depth-g-v1-0

新一代视觉深度预测与密集估计模型

Lotus是一个开源的视觉基础模型,主要用于图像深度估计和密集预测任务。该项目提供完整的模型实现和在线演示平台,可应用于3D场景重建、深度感知等计算机视觉领域。模型采用Apache-2.0许可协议发布,支持学术研究和商业应用开发。

dpt-hybrid-midas - 基于Vision Transformer的单目深度估计模型
DPT-HybridGithubHuggingfaceVision Transformer单目深度估计开源项目模型深度估计计算机视觉
DPT-Hybrid-MiDaS是一款基于Vision Transformer的单目深度估计模型。该模型在140万张图像上训练,利用ViT-hybrid作为主干网络,支持零样本深度估计。在多个数据集上,DPT-Hybrid-MiDaS展现出优于传统方法的性能。这一开源模型为计算机视觉领域的研究人员和开发者提供了有力工具,可用于进一步的微调和应用开发。
glpn-nyu - 全球-局部路径网络在单目深度估计中的应用
GLPNGithubHuggingface使用限制单目深度估计开源项目愿景模型模型描述
GLPN模型利用SegFormer作为基础结构,并在NYUv2数据集进行微调,以实现单目深度估计。基于Kim等人的研究,GLPN通过轻量级模块提升深度预测能力,适用于多个深度感知应用场景,帮助增强计算机视觉系统的环境理解能力。
OpenLRM - 开源3D重建模型
GithubHugging FaceOpenLRM开源开源项目模型训练视觉重建
OpenLRM是一个开源项目,专注于将单张图像转换为三维模型,提供预训练模型、训练代码和工具。用户可访问Hugging Face平台上的模型和演示。最新版本v1.1.1支持Objaverse和MVImgNet数据集,并进行了代码重构以提升可用性和扩展性。项目还包含安装指南、推理脚本和训练配置文件,便于用户快速上手。
VLM2Vec-Full - 视觉语言模型VLM2Vec的多模态嵌入训练方法
GithubHuggingfaceTIGER-LabVLM2Vec多模态嵌入对比学习开源项目模型视觉语言模型
VLM2Vec在Phi-3.5-V模型中引入EOS标记,实现跨多模态输入的统一嵌入表达,高效结合文本与图像。通过对比学习在MMEB-train数据集上训练,并在36个数据集上进行评估,Lora训练方式表现最佳。项目提供模型检查点及完整训练记录,供用户在GitHub仓库克隆下载,通过代码实现文本与图像的嵌入和相似度计算,助力模型运用。
llava-v1.5-7b - 融合视觉与语言的开源多模态AI模型
GithubHuggingfaceLLaVA人工智能图像文本理解多模态模型开源项目模型自然语言处理
LLaVA-v1.5-7B是一个开源的多模态AI模型,通过微调LLaMA/Vicuna实现。该模型整合了视觉和语言处理能力,能够理解图像并进行自然语言对话。LLaVA-v1.5-7B在大规模数据集上训练,包括558K图文对和158K多模态指令数据,并在12个基准测试中表现优异。这个模型主要应用于多模态大模型和聊天机器人的研究,适用于计算机视觉、自然语言处理等领域的研究人员。
openvision - 通过开源项目OpenVision体验无缝结合Midjourney美学的图像风格
AI生成BittensorGithubHuggingfaceMidjourney风格OpenVision图像增强开源项目模型
OpenVision项目融合了Midjourney的独特美学,生成的图像无需后期调整仍具风格和细节表现,尤其在人像图像的处理上更加出色。该项目通过Bittensor网络生成,支持构建去中心化的开源AI模型,可使用diffusers和StableDiffusionXLPipeline轻松实现图像创建。
Llama-3.2-11B-Vision - Meta开发的多模态大语言模型 支持视觉识别和图像推理
GithubHuggingfaceLLAMA 3.2多模态模型开源项目机器学习模型自然语言处理计算机视觉
Llama-3.2-11B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入、文本输出。该模型在视觉识别、图像推理、图像描述和通用图像问答方面表现出色。它基于Llama 3.1文本模型构建,采用优化的Transformer架构,通过监督微调和人类反馈强化学习进行对齐。模型支持128K上下文长度,经过60亿(图像,文本)对训练,知识截止到2023年12月。Llama-3.2-11B-Vision为商业和研究用途提供视觉语言处理能力。
LITv2 - 基于HiLo注意力的快速视觉Transformer
GithubHiLo注意力LITv2图像分类开源项目目标检测视觉Transformer
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。
FoundationPose - 创新性6D物体姿态估计与跟踪的统一框架
6D物体姿态估计FoundationPoseGithub开源项目机器人应用物体跟踪计算机视觉
FoundationPose是一个统一的6D物体姿态估计和跟踪框架,支持基于模型和无模型两种方式。该框架无需微调即可应用于新物体,通过大规模合成训练、大型语言模型辅助和创新架构实现强大泛化能力。在多个公共数据集的评估中,FoundationPose在challenging场景下显著优于现有方法,即使减少假设也能达到与实例级方法相当的效果。
llava-onevision-qwen2-72b-si - 多模态模型提高视觉数据交互准确率
GithubHuggingfaceLLaVA-OneVision准确率图像交互多模态开源项目模型预训练模型
此开源项目使用多模态模型,准确率介于85.1%至93.7%之间,在AI2D、DocVQA、Science-QA等数据集表现优异。基于Qwen2语言模型,LLaVA-OneVision能在多语言环境中与视觉数据进行交互,经过大型图像及视频数据集训练,使用bfloat16精度。
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