magvit2-pytorch

MagViT2视频生成和理解模型的PyTorch开源实现

MagViT2 视频生成 AI模型 Pytorch实现语言模型 Github 开源项目

MagViT2是基于语言模型的最新视频生成和理解技术。该PyTorch实现提供高效视频标记器和训练器，支持大规模数据集。项目包含无查找量化器，适用于多种模态。灵活架构设计允许自定义层和注意力机制，为研究人员提供探索和改进视频生成技术的工具。

llava-onevision-qwen2-0.5b-ov-hf - 推动单图、多图和视频理解的多模态大语言模型

GithubHuggingfaceLLaVA-Onevision图像理解多模态语言模型开源项目模型视频理解计算机视觉

LLaVA-Onevision是基于Qwen2的多模态大语言模型，通过微调GPT生成的多模态指令数据训练而成。作为首个同时推动单图、多图和视频场景性能边界的模型，它展现出强大的视频理解和跨场景能力，实现了从图像到视频的任务迁移。该模型支持多图像和多提示生成，为多样化的视觉理解任务提供了灵活解决方案。

AI-text-to-video-model-from-scratch - 从零开始使用Python构建小规模AI文本生成视频模型

ColabGANGithubOpenAIPythonStability AI开源项目

完整指南教你使用Python从零构建AI文本生成视频模型，详细介绍理论概念、GAN架构、代码实现和训练过程。了解如何在普通硬件上高效训练小规模模型，实现文本到视频的转换。

megatts2 - Megatts2 的非官方实现，多语种语音合成训练

GithubMegatts2Pytorch-lightningVQ-GAN开源项目数据集准备文本到语音

megatts2为Megatts2的非官方实现，支持中英文混合的深度学习语音合成训练。该项目涵盖数据处理、模型训练及语音推理，使用Pytorch-lightning框架优化训练流程，目标训练1000小时语音数据。

videomae-base-finetuned-kinetics - VideoMAE模型基于自监督学习实现Kinetics-400数据集80.9%分类准确率

GithubHuggingfaceVideoMAE开源项目模型神经网络自监督学习视频分类计算机视觉

VideoMAE是一个基于MAE架构的视频分析模型，采用Vision Transformer结构。经过1600轮自监督预训练和有监督微调，该模型在Kinetics-400数据集上实现了80.9%的top-1准确率和94.7%的top-5准确率。模型将视频切分为16x16的图像块进行处理，支持400种视频类别的分类任务，可应用于视频内容分析和行为识别等领域。

MotionLLM - 融合视频和动作数据的人类行为理解先进AI模型

GithubMotionLLM人工智能人类行为理解多模态学习大语言模型开源项目

MotionLLM是一个人类行为理解框架，通过融合视频和动作序列数据来分析人类行为。该项目采用统一的视频-动作训练策略，结合粗粒度视频-文本和细粒度动作-文本数据，以获得深入的时空洞察。项目还包括MoVid数据集和MoVid-Bench评估工具，用于研究和评估人类行为理解。MotionLLM在行为描述、时空理解和推理方面展现出优越性能，为人机交互和行为分析研究提供了新的方向。

VisionLLM - 面向视觉任务的开放式多模态大语言模型

GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉

VisionLLM 系列是一种多模态大语言模型，专注于视觉相关任务。该模型利用大语言模型作为开放式解码器，支持数百种视觉语言任务，包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性，扩展了其在多模态应用场景中的能力，推动了计算机视觉与自然语言处理的融合。

MiniGPT-4 - 视觉语言多任务学习的统一接口

GithubMiniGPT-v2图像理解多任务学习大型语言模型开源项目视觉语言模型

MiniGPT-4是一个视觉语言理解项目，整合了Llama 2和Vicuna模型以增强多模态能力。它支持图像描述、视觉问答和多任务学习，能够处理复杂的视觉理解任务。项目的开源性和灵活架构为研究人员和开发者提供了探索视觉语言AI的工具。

Text-To-Video-Finetuning - 使用Diffusers微调ModelScope的文本生成视频模型，提供安装、配置和训练指南

Diffusion ModelsExponentialMLGithubLoRAModelScopeText-To-Video开源项目

Text-To-Video-Finetuning项目使用Diffusers微调ModelScope的文本生成视频模型，提供详尽的安装、配置和训练指南。主要更新包括LoRA训练、模型格式转换和Torch 2.0支持。项目现已归档，相关资源及支持文件仍可用。建议关注@damo-vilab的新实现，以体验全面的视频扩散微调功能。支持多种模型训练与推断，适用于VRAM限制设备，模块化设计方便定制与扩展。

Video-LLaVA-7B - 统一图像和视频处理的多模态AI模型

GithubHuggingfaceVideo-LLaVA多模态模型大语言模型开源项目模型视觉语言处理视频理解

Video-LLaVA是一种新型多模态AI模型，采用对齐后投影方法学习统一视觉表示。该模型能同时处理图像和视频，具备出色的视觉推理能力。即使没有图像-视频配对数据，Video-LLaVA也能实现图像和视频间的有效交互。通过将统一视觉表示与语言特征空间绑定，该模型在多模态学习和各类视觉任务中展现优异性能。

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