clip

X-AnyLabeling: टेक्स्ट, इमेज, वीडियो और मल्टीमोडल डेटा को एनोटेट करने के लिए एक हल्का, कुशल और एकीकृत क्रॉस-प्लेटफॉर्म डेस्कटॉप एप्लिकेशन, जो अत्याधुनिक AI मॉडल और लचीले मल्टी-फॉर्मेट एक्सपोर्ट के साथ बहुमुखी अंतर्निहित टूल को जोड़ता है।

CLIP का चीनी संस्करण जो चीनी क्रॉस-मोडल पुनर्प्राप्ति और प्रतिनिधित्व पीढ़ी को प्राप्त करता है।

ओपन-सोर्स ऐप-मुक्त पुश सेवा, iOS14+ क्यूआर कोड स्कैन करके उपयोग करें। त्वरित ऐप/iOS और Mac क्लाइंट, Android क्लाइंट और कस्टम डिवाइस भी समर्थित हैं

लार्ज मल्टी-मोडालिटी मॉडल (LMMs) का ओपन-सोर्स मूल्यांकन टूलकिट, 220+ LMMs, 80+ बेंचमार्क का समर्थन करता है।

OpenMMLab प्री-ट्रेनिंग टूलबॉक्स और बेंचमार्क

चीनी NLP समाधान (लार्ज मॉडल, डेटा, मॉडल, ट्रेनिंग, इन्फेरेंस)

विज़न कार्यों के लिए बेहतरीन vision-language मॉडल्स का संग्रह

BLIP और CLIP के साथ इमेज से प्रॉम्प्ट

आसानी से clip एम्बेडिंग की गणना करें और उनके साथ एक clip पुनर्प्राप्ति प्रणाली बनाएं

🥂 मल्टीमोडल लार्ज लैंग्वेज मॉडल के साथ शानदार ढंग से hCaptcha चुनौती का सामना करें।

Cambrian-1 विजन-सेंट्रिक डिज़ाइन वाले मल्टीमॉडल LLM का एक परिवार है।

Android UI 快速开发，专治原生控件各种不服

OpenAI विज़न API के साथ प्रयोग करने और निर्माण करने के इच्छुक किसी भी व्यक्ति के लिए आवश्यक संसाधन 🔥

किसी भी सुरक्षा कैमरे में ऑब्जेक्ट डिटेक्शन, ट्रैकिंग, मोबाइल नोटिफिकेशन और सर्च जोड़ें।

[ACL 2024 🔥] Video-ChatGPT एक वीडियो वार्तालाप मॉडल है जो वीडियो के बारे में सार्थक बातचीत उत्पन्न करने में सक्षम है। यह स्थानिक-अस्थायी वीडियो प्रतिनिधित्व के लिए अनुकूलित एक प्री-ट्रेनेड विजुअल एनकोडर के साथ LLM की क्षमताओं को जोड़ता है। हम वीडियो-आधारित संवादात्मक मॉडल के लिए एक कठोर 'मात्रात्मक मूल्यांकन बेंचमार्किंग' भी पेश करते हैं।

बहुभाषी टेक्स्ट, इमेज और 🔜 वीडियो में कंटेंट को समझने और जनरेट करने के लिए पॉकेट-साइज़ मल्टीमॉडल AI, जो OpenAI CLIP और LLaVA से 5 गुना तक तेज़ है 🖼️ & 🖋️

CLIP (Contrastive Language-Image Pre-Training) पर शोध के लिए शानदार सूची।

यह श्रृंखला आपको NLP और Computer Vision की बुनियादी बातों से लेकर Vision-Language Models के अत्याधुनिक स्तर तक की यात्रा पर ले जाएगी।

"CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval" के लिए आधिकारिक कार्यान्वयन

Java के लिए मुफ्त ऑफलाइन AI एल्गोरिदम टूलबॉक्स, जो फेस रिकग्निशन, लाइवनेस डिटेक्शन, ऑब्जेक्ट डिटेक्शन, OCR, ASR+TTS और मशीन ट्रांसलेशन जैसे फीचर्स का समर्थन करता है। Maven के माध्यम से उपयोग करने योग्य, PyTorch और Tensorflow के साथ संगत, जिसमें Mtcnn, InsightFace, YOLOv8~v12, PaddleOCR और Whisper जैसे मॉडल शामिल हैं।

CLIP + FFT/DWT/RGB = टेक्स्ट से इमेज/वीडियो

मजबूत फाइन-ग्रेन्ड डिस्क्रिमिनेशन क्षमता के साथ CLIP की नई पीढ़ी, ICML2026 और ICML2025

Paddle मल्टीमॉडल इंटीग्रेशन और एक्सप्लोरेशन, जो मुख्यधारा के मल्टी-मॉडल कार्यों का समर्थन करता है, जिसमें एंड-टू-एंड लार्ज-स्केल मल्टी-मॉडल प्रीट्रेन मॉडल और डिफ्यूजन मॉडल टूलबॉक्स शामिल हैं। उच्च प्रदर्शन और लचीलेपन से लैस।

TrailSnap | यात्रा और जीवन की यादों के लिए AI-संचालित ओपन-सोर्स फोटो एल्बम।

विज़न-लैंग्वेज मॉडल पेपर और मॉडल्स का एक प्रमुख फ़्रंटएंड कलेक्शन और सर्वे GitHub रिपॉजिटरी। निरंतर अपडेट।

LLM2CLIP पहले से ही अत्याधुनिक CLIP मॉडल में काफी सुधार करता है।

Twitch स्ट्रीम, वीडियो और क्लिप डाउनलोडर/रिकॉर्डर। यह GUI डाउनलोडर आपको ब्रॉडकास्ट और VODs सहित Twitch वीडियो डाउनलोड और रिकॉर्ड करने में मदद करता है।

मल्टीपल GPUs का उपयोग करके रॉ वीडियो से वीडियो फीचर्स निकालें। हम RAFT फ्लो फ्रेम्स के साथ-साथ S3D, I3D, R(2+1)D, VGGish, CLIP और TIMM मॉडल्स का समर्थन करते हैं।

👁️ + 💬 + 🎧 = 🤖 शीर्ष फाउंडेशन और मल्टीमॉडल मॉडलों की क्यूरेटेड सूची! [पेपर + कोड + उदाहरण + ट्यूटोरियल]

Keras beit, caformer, CMT, CoAtNet, convnext, davit, dino, efficientdet, edgenext, efficientformer, efficientnet, eva, fasternet, fastervit, fastvit, flexivit, gcvit, ghostnet, gpvit, hornet, hiera, iformer, inceptionnext, lcnet, levit, maxvit, mobilevit, moganet, nat, nfnets, pvt, swin, tinynet, tinyvit, uniformer, volo, vanillanet, yolor, yolov7, yolov8, yolox, gpt2, llama2, उर्फ kecam