vision-transformer

Caja de herramientas y banco de pruebas de detección de OpenMMLab

pix2tex: uso de un ViT para convertir imágenes de ecuaciones en código LaTeX

Este repositorio contiene demostraciones que hice con la librería Transformers de HuggingFace.

[Premio al Mejor Artículo en NeurIPS 2024][GPT supera a diffusion🔥] [leyes de escala en generación visual📈] Implementación oficial de "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". ¡Una base de código *ultrasimple, fácil de usar y de última generación* para la generación autorregresiva de imágenes!

Ingesta, analiza y optimiza cualquier formato de datos ➡️ desde documentos hasta multimedia ➡️ para una mayor compatibilidad con frameworks de GenAI

SwinIR: Restauración de imágenes usando Swin Transformer (repositorio oficial)

MLX-VLM es un paquete para la inferencia y ajuste fino de modelos de lenguaje visual (VLM) en tu Mac utilizando MLX.

Una lista de artículos sumamente completa sobre Vision Transformer/Attention, que incluye artículos, códigos y sitios web relacionados

Backbones de IA eficientes que incluyen GhostNet, TNT y MLP, desarrollados por Huawei Noah's Ark Lab.

Caja de herramientas de preentrenamiento y Benchmark de OpenMMLab

El primer plugin de visión para DeepSeek Harness, y el puente de visión para cada agente de codificación de solo texto. Pega una imagen, obtén evidencia JSON estructurada (OCR, diseño, semántica). | El plugin de visión externo más potente de toda la red para DeepSeek Harness, que aporta capacidades de visión a modelos de solo texto como DeepSeek y GLM; pega una imagen para obtener evidencia JSON estructurada (OCR, diseño, semántica).

Scenic: una biblioteca de Jax para investigación en visión por computador y más allá

Towhee es un framework dedicado a hacer que los pipelines de procesamiento de datos neuronales sean simples y rápidos.

Modelos fundacionales de visión eficientes para generación y percepción de alta resolución.

InternLM-XComposer2.5-OmniLive: Un sistema multimodal completo para interacciones de video y audio en streaming de larga duración

Serie EVA: Fantasías de representación visual de BAAI

[ECCV2024] Modelos base de video y datos para comprensión multimodal

[CVPR 2025] Implementación oficial en PyTorch de MambaVision: un troncal de visión híbrido Mamba-Transformer

Repositorio oficial de [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" y [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation".

[CVPR 2021] Implementación oficial en PyTorch para Transformer Interpretability Beyond Attention Visualization, un método novedoso para visualizar clasificaciones en redes basadas en Transformer.

Un conjunto de herramientas todo en uno para visión por computadora

Una colección de nuestros trabajos sobre NAS y Vision Transformer

Entrenamiento integral para modelos de visión (YOLO, ViTs, RT-DETR, DINOv3): preentrenamiento, ajuste fino y destilación.

[ICLR 2023 Spotlight] Vision Transformer Adapter para predicciones densas

Una lista curada de modelos base para tareas de visión y lenguaje.

UNetFormer: Un transformer de tipo UNet para la segmentación semántica eficiente de imágenes de escenas urbanas de teledetección (ISPRS). También incluye otros vision transformers y CNN para la segmentación de imágenes de satélite, aéreas y de drones.

Un modelo de representación general para modalidades de visión, audio y lenguaje. Artículo: ONE-PEACE: Explorando un modelo de representación general hacia modalidades ilimitadas.

[ICML2025] SpargeAttention: una atención dispersa sin entrenamiento que acelera la inferencia de cualquier modelo.

Una lista de artículos sobre trabajos recientes de Visión Artificial (CV)

Modelos SOTA de segmentación semántica en PyTorch