image-captioning

LAVIS - Thư viện toàn diện cho Trí tuệ Ngôn ngữ - Thị giác

Mô hình Keras dùng để tạo mã HTML từ các bản mẫu thiết kế website phác thảo bằng tay. Triển khai kiến trúc chú thích hình ảnh cho các hình ảnh nguồn được vẽ.

InternGPT (iGPT) là một nền tảng demo mã nguồn mở nơi bạn có thể dễ dàng trưng bày các mô hình AI của mình. Hiện hỗ trợ DragGAN, ChatGPT, ImageBind, trò chuyện đa phương thức như GPT-4, SAM, chỉnh sửa ảnh tương tác, v.v. Hãy thử tại igpt.opengvlab.com

Kho lưu trữ chính thức của OFA (ICML 2022). Bài báo: OFA: Hợp nhất các kiến trúc, tác vụ và phương thức thông qua một framework học tập chuỗi sang chuỗi đơn giản

Lớp Swift đơn giản cung cấp tất cả các cấu hình bạn cần để tạo chế độ xem camera tùy chỉnh trong ứng dụng của mình

Trình quản lý thẻ và chú thích cho tập dữ liệu hình ảnh

Bản cài đặt của "Prismer: A Vision-Language Model with Multi-Task Experts".

:fire: :fire: :fire: Danh sách bài báo về một số công trình Thị giác Máy tính (CV) gần đây

AI VTuber tích hợp LLM, ASR, TTS, OCR, CV và nhiều công nghệ khác để livestream hoặc chơi Minecraft cùng bạn.

Danh sách tổng hợp các mô hình nền tảng và đa phương thức hàng đầu! [Bài báo + Mã nguồn + Ví dụ + Hướng dẫn]

Các node ComfyUI dành cho mô hình ngôn ngữ - thị giác: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Cùng với khả năng phát hiện từ vựng mở, phân đoạn SAM2/SAM3, suy luận thời gian trong video, GGUF qua llama.cpp và các API LLM/VLM được lưu trữ.

[CVPR 2021] VirTex: Học biểu diễn hình ảnh từ các chú thích văn bản