lotus-depth-g-v1-0

新一代视觉深度预测与密集估计模型

Github 模型密集预测开源项目深度预测 Lotus 扩散模型 Huggingface 视觉基础模型

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。

Vista - 通用自动驾驶世界模型实现高保真多场景预测

GithubVista世界模型开源项目控制自动驾驶预测

Vista是一款通用自动驾驶世界模型，可在多种场景中生成高保真度的预测，并扩展至连续和长期视野。模型支持多模态操作控制，包括转向、速度、指令、轨迹和目标点设定，无需真实操作数据即可评估不同行为。Vista在预测精度和操控灵活性上有显著提升，为自动驾驶技术研究提供了有力支持。

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-interleave-qwen-7b-hf - 领先的多模态AI模型支持多图像视频和3D输入处理

AI对话GithubHuggingfaceLLaVA Interleave图像识别多模态模型开源项目模型自然语言处理

LLaVA Interleave是基于Qwen1.5-7B-Chat开发的多模态AI模型，支持多图像、视频和3D输入处理。模型采用transformer架构，具备4-bit量化和Flash Attention 2优化功能。目前主要面向计算机视觉、自然语言处理和人工智能领域的研究人员，仅供学术研究使用。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

HorNet - 基于递归门控卷积的高效视觉骨干网络

GithubHorNetImageNetPyTorchRecursive Gated Convolution开源项目高阶空间交互

HorNet是一个基于递归门控卷积的视觉骨干网络家族，专注于高效的高阶空间交互。项目提供了多个在ImageNet数据集上训练和评估的模型，如HorNet-T、HorNet-S和HorNet-B，广泛应用于图像分类和点云理解等领域。项目页面提供详细的训练和评估说明及模型下载链接。HorNet在提升图像和3D对象分类精度方面表现优异，是计算机视觉研究中的重要工具。

git-large-coco - 高级视觉与语言转换：大规模图像到文本模型

GITGithubHuggingface图像标注开源项目模型模型训练视觉视觉问答

GIT大型模型通过在COCO数据集上微调，实现图像到文本的转换，支持图像和视频字幕生成、视觉问答和图像分类等功能。该模型利用图像和文本令牌的结合，预测下一个文本令牌，并在多种视觉与语言应用场景中表现出色。

YOLO-World - 下一代实时开放词汇目标检测模型

GithubYOLO-World开放词汇开源项目目标检测零样本学习预训练模型

YOLO-World是一款创新的实时开放词汇目标检测模型。经过大规模数据集预训练,它展现出卓越的开放词汇检测和定位能力。采用'先提示后检测'范式,YOLO-World通过重参数化技术实现高效的自定义词汇推理。该模型支持零样本目标检测、分割等多种任务,并开源了在线演示、预训练权重和微调代码,为计算机视觉领域提供了实用的研究与应用工具。

insightface - 综合人脸分析开源工具库

GithubInsightFace人脸对齐人脸检测人脸识别开源项目深度学习

InsightFace是一个综合人脸分析开源工具库,基于PyTorch和MXNet实现。它涵盖人脸识别、检测和对齐等多个任务,提供高效算法、训练数据和网络设计。支持ArcFace、RetinaFace等方法,并包含多种网络骨干。该项目还提供评估流程和预训练模型,适用于人脸分析的研究与应用。

Florence-2-large-no-flash-attn - 基于统一表示的多功能视觉人工智能模型

Florence-2GithubHuggingface图像处理多任务学习开源项目模型自然语言处理视觉基础模型

Florence-2-large-no-flash-attn是一款由微软开发的视觉基础模型。它采用提示式方法处理多种视觉和视觉语言任务,包括图像描述、目标检测和分割。该模型利用54亿个注释的大规模数据集进行多任务学习,在零样本和微调场景下均表现出色。Florence-2的序列到序列架构使其在各类下游任务中展现优异性能,为统一视觉表示提供了新的可能性。

GET3D - 从2D图像生成高质量3D纹理模型的新突破

3D生成模型GET3DGithub图像学习开源项目生成对抗网络纹理网格

GET3D是一种新型生成模型,可从2D图像集合中学习生成高质量3D纹理网格模型。该模型融合了可微表面建模、可微渲染和生成对抗网络技术,能直接生成具有复杂拓扑结构和丰富几何细节的3D模型。GET3D可生成包括汽车、椅子、动物、摩托车、人物和建筑在内的多种3D模型,在质量上显著超越现有方法,为大规模创建3D虚拟世界内容提供了有力工具。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com