Logo
Project Icon

smol-vision

前沿视觉模型优化与定制的实用技巧集锦

Smol Vision视觉模型优化ONNX量化模型微调知识蒸馏Github开源项目

smol-vision项目汇集了多种视觉模型优化技术，包括量化、ONNX转换、模型微调和知识蒸馏。项目提供了实用示例，展示如何使用Optimum优化目标检测模型、微调PaliGemma和Florence-2视觉语言模型，以及通过torch.compile加速基础模型。这些方法旨在帮助开发者提高模型性能、缩小规模和加快推理速度，使模型更好地适应各种硬件环境。

GithubGithubHuggingfaceHuggingface
介绍相关项目
SmolLM-1.7B - 小型化设计与处理能力兼备的语言模型，适用于多个应用场景
Cosmo-CorpusGithubHuggingfaceSmolLMTransformer开源项目模型生成模型语言模型
SmolLM系列语言模型基于Cosmo-Corpus高质量数据集开发，提供135M、360M和1.7B参数选项，表现出色的常识推理和广泛知识评估能力。模型通过多类型内容数据集训练，支持8位和bfloat16位精度，可在CPU和多GPU环境中运行。需注意，内容生成的准确性和一致性可能受限，仅供辅助使用。可通过HuggingFace平台便捷部署。
NVLM-D-72B-nf4 - 多模态模型NF4量化与性能优化研究
GPU内存GithubHuggingfaceNVLM-D-72B图像文本生成开源项目模型模型转换量化
NVLM-D-72B模型NF4量化转换项目利用BitsAndBytes技术实现双重量化，旨在优化性能。目前纯文本处理表现出色，但图像处理功能仍需完善。项目优化了modeling_intern_vit.py文件，提高了量化模块兼容性。模型运行需48GB以上显存，遵循CC BY-NC 4.0许可。该项目为探索大型多模态模型量化提供了宝贵经验。
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。
myvision - 免费在线图像标注工具
COCO-SSDGithubMyVision图像注释工具开源项目数据集机器学习
MyVision是一款免费在线图像标注工具，旨在生成计算机视觉机器学习训练数据。它具有快速标注、多种数据集格式支持和现有项目导入功能。还利用COCO-SSD预训练模型自动标注对象，保障数据隐私。无需任何设置，只需打开index.html文件即可使用。适用于大数据集的高效工作流程，并支持英文和中文。
LLaVAR - 优化视觉指令微调的文本丰富图像理解模型
GithubLLaVAROCR能力多模态大语言模型开源项目文本丰富图像理解视觉指令微调
LLaVAR项目致力于增强大型语言模型对文本丰富图像的理解能力。通过改进视觉指令微调方法，该项目显著提升了模型在OCR相关任务上的表现。LLaVAR开源了模型权重、训练数据，并提供了环境配置、训练脚本和评估方法，为相关研究和开发提供了全面支持。
TinyCLIP-ViT-8M-16-Text-3M-YFCC15M - 高效压缩CLIP模型的跨模态蒸馏方法
CLIPGithubHuggingfaceTinyCLIP图像分类开源项目模型视觉语言预训练跨模态蒸馏
TinyCLIP是一种创新的跨模态蒸馏方法，专门用于压缩大规模语言-图像预训练模型。该方法通过亲和力模仿和权重继承两项核心技术，有效利用大规模模型和预训练数据的优势。TinyCLIP在保持comparable零样本性能的同时，显著减少了模型参数，实现了速度和精度的最佳平衡。这一技术为高效部署CLIP模型提供了实用解决方案，在计算资源受限的场景下尤其有价值。
mobilevit-xx-small - 轻量级移动端视觉转换模型，适用于通用图像分类
GithubHuggingfaceImageNet-1kMobileViTTransformer卷积神经网络图像分类开源项目模型
MobileViT模型的设计同时保证了轻量和低延迟性能，通过结合MobileNetV2和全局处理变换器块，适合各种图像分类应用。模型无需位置嵌入，已在ImageNet-1k数据集预训练并取得69%的top-1准确率。训练过程中采用简单的数据增强方法，可无须微调即可学到多尺度特征。目前支持PyTorch框架。
edgeyolo - 优化边缘设备性能的模型，支持ONNX和TensorRT导出
COCO2017EdgeYOLOGithubHuawei AscendNvidia Jetson AGX XavierTensorRT开源项目
EdgeYOLO为边缘设备优化，在Nvidia Jetson AGX Xavier上达34FPS，并通过RH loss提升小型和中型物体检测。支持COCO2017和VisDrone2019数据集，提供多种模型格式和部署代码，包括RKNN、MNN和TensorRT。项目定期更新，并集成了SAMLabeler Pro工具，支持多人远程标注。可快速上手和训练，适配不同设备和应用场景。
DAMO-YOLO - 基于YOLO系列和嵌入包括神经网络架构搜索及轻量级算法在内的多项新技术的对象检测算法
DAMO-YOLOGithub开源项目性能优化检测模型目标检测算法更新
DAMO-YOLO, 阿里巴巴DAMO实验室的先进对象检测技术，基于YOLO系列和嵌入包括神经网络架构搜索及轻量级算法在内的多项新技术，以优化性能和效率。针对广泛行业场景，提供一站式解决方案，从训练到部署全面支持。
MoE-LLaVA - 高效视觉语言模型的新方向
GithubMoE-LLaVA多模态学习大视觉语言模型开源项目性能表现稀疏激活
MoE-LLaVA项目采用混合专家技术,实现了高效的大规模视觉语言模型。该模型仅使用3B稀疏激活参数就达到了与7B参数模型相当的性能,在多项视觉理解任务中表现优异。项目提供简单的基线方法,通过稀疏路径学习多模态交互,可在8张A100 GPU上1天内完成训练。MoE-LLaVA为构建高性能、低参数量的视觉语言模型探索了新的方向。
相关项目
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

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

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

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。

Project Cover

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。

Project Cover

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。

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。

使用协议隐私政策广告服务
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