vision-transformer

OpenMMLab डिटेक्शन टूलबॉक्स और बेंचमार्क

pix2tex: समीकरणों की छवियों को LaTeX कोड में बदलने के लिए ViT का उपयोग करना।

इस रिपॉजिटरी में HuggingFace की Transformers लाइब्रेरी के साथ बनाए गए मेरे डेमो शामिल हैं।

[NeurIPS 2024 बेस्ट पेपर अवार्ड][GPT बीट्स डिफ्यूजन🔥] [विजुअल जनरेशन में स्केलिंग कानून📈] "विजुअल ऑटोरेग्रेसिव मॉडलिंग: नेक्स्ट-स्कôi प्रेडिक्शन के माध्यम से स्केलेबल इमेज जनरेशन" का आधिकारिक कार्यान्वयन। ऑटोरेग्रेसिव इमेज जनरेशन के लिए एक *अति-सरल, उपयोगकर्ता के अनुकूल और अत्याधुनिक* कोडिंग बेस!

GenAI फ्रेमवर्क के साथ बेहतर अनुकूलता के लिए किसी भी डेटा फॉर्मेट को इंजेस्ट, पार्स और ऑप्टिमाइज़ करें ➡️ दस्तावेज़ों से लेकर मल्टीमीडिया तक

SwinIR: Swin Transformer का उपयोग करके इमेज रिस्टोरेशन (आधिकारिक रिपॉजिटरी)

MLX-VLM MLX का उपयोग करके आपके Mac पर विजन लैंग्वेज मॉडल (VLMs) के अनुमान और फ़ाइन-ट्यूनिंग के लिए एक पैकेज है।

Vision Transformer/Attention की अत्यधिक व्यापक पेपर सूची, जिसमें पेपर, कोड और संबंधित वेबसाइटें शामिल हैं

Huawei Noah's Ark Lab द्वारा विकसित GhostNet, TNT और MLP सहित कुशल AI बैकबोन।

OpenMMLab प्री-ट्रेनिंग टूलबॉक्स और बेंचमार्क

DeepSeek Harness के लिए पहला विजन प्लग-इन, और हर टेक्स्ट-ओनली कोडिंग एजेंट के लिए विजन ब्रिज। एक छवि पेस्ट करें, संरचित JSON साक्ष्य (OCR, लेआउट, सिमेंटिक्स) प्राप्त करें।

Scenic: कंप्यूटर विज़न अनुसंधान और उससे आगे के लिए एक Jax लाइब्रेरी

Towhee एक ऐसा फ्रेमवर्क है जो न्यूरल डेटा प्रोसेसिंग पाइपलाइन को सरल और तेज़ बनाने के लिए समर्पित है।

उच्च-रिज़ॉल्यूशन जेनरेशन और परसेप्शन के लिए कुशल विजन फाउंडेशन मॉडल।

InternLM-XComposer2.5-OmniLive: लॉन्ग-टर्म स्ट्रीमिंग वीडियो और ऑडियो इंटरैक्शन के लिए एक व्यापक मल्टीमॉडल सिस्टम

EVA सीरीज़: BAAI से विज़ुअल रिप्रेजेंटेशन फेंटेसीज़

[ECCV2024] मल्टीमॉडल समझ के लिए वीडियो फाउंडेशन मॉडल और डेटा

[CVPR 2025] MambaVision का आधिकारिक PyTorch कार्यान्वयन: एक हाइब्रिड Mamba-Transformer विजन बैक बोन

[NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" और [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation" के लिए आधिकारिक रिपॉजिटरी

[CVPR 2021] Transformer Interpretability Beyond Attention Visualization के लिए आधिकारिक PyTorch कार्यान्वयन, Transformer आधारित नेटवर्क द्वारा वर्गीकरण को विज़ुअलाइज़ करने की एक नई विधि।

कंप्यूटर विजन के लिए एक ऑल-इन-वन टूलकिट

यह हमारे NAS और Vision Transformer के काम का संग्रह है।

विज़न मॉडल (YOLO, ViTs, RT-DETR, DINOv3) के लिए ऑल-इन-वन ट्रेनिंग: प्री-ट्रेनिंग, फाइन-ट्यूनिंग, डिस्टिलेशन।

[ICLR 2023 स्पॉटलाइट] डेंस प्रेडिक्शन के लिए विजन ट्रांसफॉर्मर अडैप्टर

विज़न और लैंग्वेज कार्यों के लिए फाउंडेशन मॉडल की एक क्यूरेटेड सूची

UNetFormer: रिमोट सेंसिंग शहरी दृश्य इमेजरी के कुशल सिमेंटिक सेगमेंटेशन के लिए एक UNet जैसा ट्रांसफार्मर, ISPRS। इसके अलावा, उपग्रह, एरियल इमेज और UAV इमेज सेगमेंटेशन के लिए अन्य विजन ट्रांसफार्मर और CNN शामिल हैं।

विज़न, ऑडियो और भाषा मोडैलिटीज़ के लिए एक सामान्य प्रतिनिधित्व मॉडल। पेपर: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: एक ट्रेनिंग-मुक्त स्पार्स अटेंशन जो किसी भी मॉडल के इन्फॉरेंस को गति देता है।

हाल के कुछ कंप्यूटर विज़न (CV) कार्यों की पेपर सूची

PyTorch में SOTA सिमेंटिक सेगमेंटेशन मॉडल्स