Project Icon

doctr-crnn-vgg16-bn-fascan-v1

VGG16-CRNN文字识别模型

doctr-crnn-vgg16-bn-fascan-v1是一个基于CRNN架构的文字识别模型,采用VGG16作为特征提取网络。模型通过DocumentFile接口支持图像处理,结合灵活的检测架构选择机制,可实现文档OCR任务。该实现同时支持TensorFlow 2和PyTorch框架,便于开发者快速部署和使用。

license_plate_recognizer - 精准识别车牌文字的OCR模型,适合自动化监控应用
GithubHuggingfaceLicense Plate RecognitionOCRTransformer模型字符错误率开源项目模型自动监控
此模型基于微软的trocr-base-handwritten,专门开发用于从车牌图像中提取文本,特别适用于OCR车牌识别任务,字符错误率为0.0036,适合各类车辆自动化监控系统。利用TrOCR模型并在PawanKrGunjan/license_plates数据集上微调,能高效将图像转换为文本。在低光或者低分辨率下,性能可能下降,且可能会受到不同地区车牌设计差异的影响。
vgg16.tv_in1k - 基于ImageNet-1k训练的VGG16图像分类模型
GithubHuggingfaceImageNetVGG图像分类开源项目模型深度学习神经网络
VGG16是一个经典的深度学习图像分类模型,基于ImageNet-1k数据集训练而成。模型包含1.384亿个参数,处理224x224像素输入图像,支持图像分类、特征图提取和图像嵌入等功能。借助timm库可实现模型的快速部署,广泛应用于计算机视觉领域。
trocr-small-printed - 基于Transformer的印刷文本OCR模型
GithubHuggingfaceTrOCR人工智能光学字符识别图像转文本开源项目模型深度学习
trocr-small-printed是一个专为印刷文本设计的OCR模型。该模型采用图像和文本Transformer架构,在SROIE数据集上经过微调,能够从单行文本图像中准确提取文字。它适用于多种印刷文档的文本识别任务,为自动化信息提取提供了有效工具。
convnextv2_base.fcmae_ft_in22k_in1k_384 - 高效图像识别与特征开发的开源解决方案
ConvNeXt-V2GithubHuggingfaceImageNet卷积神经网络图像分类开源项目模型特征提取
ConvNeXt-V2是一款基于全卷积掩码自编码器(FCMAE)预训练的图像分类模型,能够高效处理ImageNet-22k和ImageNet-1k数据集。模型拥有88.7M的参数和45.21 GMACs,适合精准的图像识别和特征开发。兼容timm库,支持图像分类、特征图提取和图像嵌入生成等应用场景。通过简单的Python代码即可调用该模型,提升开发效率。
donut-base - Donut模型:革新文档理解的图像到文本AI技术
DonutGithubHuggingface图像到文本开源项目文档理解模型深度学习计算机视觉
Donut是一种创新的文档理解模型,无需OCR即可直接从图像生成文本。它结合了Swin Transformer视觉编码器和BART文本解码器,高效处理多种文档图像。这个预训练基础模型可针对文档分类、信息提取等任务进行微调,在文档智能处理领域应用广泛。作为开源项目,Donut为AI研究和开发提供了强大的文档处理工具。
dit-base-finetuned-rvlcdip - 基于自监督学习的文档图像转换模型应用
Document Image TransformerGithubHuggingfaceRVL-CDIP开源项目文档分类模型自我监督学习视觉编码器
Document Image Transformer 是一种基于 Transformer 的模型,专为自监督学习而设计,通过大量文档图像来学习图像的内在表示。经过 RVL-CDIP 数据集的细调,该模型适用于文档图像分类、表格检测和文档布局分析等任务。通过在预训练编码器上添加线性层,可以灵活实现不同任务的目标。模型将图像划分为16x16像素固定块,并使用离散 VAE 编码器的视觉 token 进行预测。该技术解决方案在灰度图像分类中表现出色,尤其是在细分类别的文档图像任务中。
ddddocr - 多功能验证码识别库 支持OCR与目标检测
DdddOcrGithubOCR开源项目滑块检测目标检测验证码识别
ddddocr是一个开源的验证码识别库,支持基础OCR、目标检测和滑块识别等多种功能。该项目采用深度学习技术,无需针对特定验证码训练,具有通用性强的特点。ddddocr支持Windows、Linux和MacOS等主流操作系统,提供Python接口便于集成。项目设计注重简化配置和使用流程,为开发者提供了一个高效的验证码识别工具。
large-ocr-model.github.io - OCR 技术提升多模态大模型视觉问答性能研究
GithubOCR多模态大型模型开源项目缩放法则视觉问答
本项目研究 OCR 技术对多模态大模型性能的影响。实验表明,OCR 能显著提高模型在视觉问答任务中的表现。研究者构建了 REBU-Syn 数据集,验证了 OCR 领域的缩放法则,并开发了高精度 OCR 模型。这项工作为多模态大模型的应用开辟了新方向,揭示了 OCR 在增强模型能力方面的重要价值。
fsdl-text-recognizer-2022-labs - 深度学习全流程实践 手写识别到模型部署教程
GithubPyTorch实验管理开源项目手写文本识别模型部署深度学习
本项目为深度学习实践提供全面教程,涵盖手写文本识别到模型部署的完整过程。采用PyTorch和PyTorch Lightning框架,结合CNN和Transformer技术,使用Weights & Biases管理实验。内容包括代码质量控制、Docker容器化、AWS Lambda部署和Gradio前端开发。通过系列实验,帮助掌握现代深度学习项目的全栈开发能力。
SSD-Tensorflow - 目标检测的单一网络实现
COCOGithubPascal VOCSSDTensorFlowVGG开源项目
SSD是一种高效的目标检测框架,利用单一网络结构实现物体识别。该项目提供了TensorFlow的重实现版本,支持VGG架构并且易于扩展到其他变种,如ResNet和Inception。项目包括数据集接口、网络定义和数据预处理模块,用户可以通过提供的脚本进行模型训练和评估,支持Pascal VOC数据集。代码和示例帮助用户快速上手并应用于实际检测任务。
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

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。

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