LAVIS

多任务语言与视觉模型的统一接口和便捷数据下载工具

LAVIS BLIP X-InstructBLIP language-vision Salesforce Github 开源项目

LAVIS是一款用于语言与视觉智能研究的Python库，提供统一接口，支持图像文本预训练、检索和视觉问答等10多种任务，并包含20多个数据集和30多个预训练模型。其模块化设计和自动下载工具简化了数据准备和模型训练，是开发多模态应用的理想选择。

文档

llava-onevision-qwen2-7b-ov-hf - 支持单图多图和视频理解的多模态语言模型

GithubHuggingfaceLLaVA-Onevision人工智能图像理解多模态开源项目模型视频理解

LLaVA-Onevision-qwen2-7b-ov-hf是一个基于Qwen2微调的开源多模态大语言模型。作为首个能在单图、多图和视频场景中同时提升性能的模型，它展现了卓越的跨模态和跨场景迁移学习能力。该模型特别擅长视频理解和跨场景任务，支持多图像和多提示生成，适用于广泛的视觉理解应用。

visionscript - 抽象编程语言，用于快速执行计算机视觉任务

GithubPythonVisionScript图像分类对象检测开源项目计算机视觉

VisionScript是一个基于Python的编程语言，专门用于快速执行目标检测、分类和分割等常见计算机视觉任务。其简洁的语法允许用户通过少量代码完成复杂的视觉操作，并支持在交互式网络笔记本中运行。VisionScript兼容多个知名模型，包括CLIP、YOLOv8和BLIP，适合新手上手。无论是执行零样本分类，还是在照片中替换特定对象，VisionScript均能提供高效解决方案。

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。

big_vision - 基于Jax/Flax的大规模视觉模型训练框架

GithubJaxbig vision开源项目模型训练深度学习计算机视觉

Big Vision是一个用于训练大规模视觉模型的开源代码库。它基于Jax/Flax构建，支持在Cloud TPU VM和GPU上运行。该项目采用tf.data和TensorFlow Datasets实现高效的数据处理，可无缝扩展至2048个TPU核心的分布式环境。Big Vision涵盖了视觉Transformer、多模态学习、知识蒸馏等多个研究方向，为大规模视觉实验提供了可靠的基础。

llava-onevision-qwen2-7b-ov-chat - LLaVA-OneVision多模态AI模型支持图像和视频交互

GithubHuggingfaceLLaVA-OneVision图像处理多模态开源项目模型深度学习自然语言处理

LLaVA-OneVision是一款基于Qwen2架构的多模态AI模型，专门针对聊天场景进行优化。该模型通过多阶段训练，包括LCS-558K预训练、高质量合成数据训练和单图数据训练等，最终经过RLHF进一步提升性能。它能够与图像、多图和视频进行交互，同时保持良好的指令遵循能力，是一个versatile的视觉语言模型。

LanguageBind_Image - 基于语言实现多模态预训练绑定

GithubHuggingfaceICLRLanguageBind多模态开源项目数据集模型视频语言预训练

LanguageBind是一种创新的多模态预训练方法,通过语言将视频、音频、深度图像等不同模态绑定。该项目提出了包含1000万条多模态数据的VIDAL-10M数据集,并在多个模态任务上实现了领先性能。LanguageBind无需中间模态即可扩展到检测等任务,开源了全部模态预处理代码和API接口,为多模态AI研究提供了有力工具。

Video-LLaMA - 指令微调的音视频语言模型实现多模态视频理解

AI对话GithubVideo-LLaMA多模态开源项目视频理解语言模型

Video-LLaMA是一个多模态AI项目，为大型语言模型赋予视频和音频理解能力。该项目基于BLIP-2和MiniGPT-4构建，包含视觉-语言和音频-语言两个分支。经过大规模视频和图像数据预训练及指令微调后，Video-LLaMA能够进行视频分析、音频理解和多轮对话。该模型支持英文和中文交互，为视频内容分析提供了新的AI解决方案。

blip2-opt-2.7b - 集成图像理解与语言生成的视觉语言模型

BLIP-2GithubHuggingface图像描述图像识别开源项目模型自然语言处理视觉问答

BLIP-2 OPT-2.7b是一款结合CLIP图像编码器、查询转换器和OPT-2.7b语言模型的视觉语言系统。该模型能够进行图像描述、视觉问答和图像对话等任务，通过独特的查询转换器架构实现了高效的图像理解和文本生成。BLIP-2在图像-文本处理领域展现出广泛应用前景，但也存在潜在偏见和局限性，需要在实际应用中谨慎评估。

VLMEvalKit - 开源的大型视觉语言模型评估工具包

GithubVLMEvalKit多模态数据集大型视觉语言模型开源开源项目评估工具包

VLMEvalKit是一款开源的大型视觉语言模型评估工具包，支持即插即用的评估操作，无需繁重的数据准备。该工具包支持多种顶级数据库和最新模型测试，并为用户提供精确匹配和基于LLM的答案提取两种评估结果。有效工具，帮助专业人员和研究者评估模型性能。

llava-onevision-qwen2-72b-ov-sft - 基于Qwen2的多模态AI模型支持图像和视频交互

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态模型开源项目模型视频处理

LLaVA-OneVision是基于Qwen2的多模态AI模型，支持图像、多图和视频交互。模型在专用数据集上训练，具有32K tokens上下文窗口，提供0.5B、7B和72B三种规模。支持英语和中文，可处理单图、多图和视频输入。项目开源了代码、在线演示和论文，为AI研究和开发提供了实用工具。

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