MODEL-ZOO - Software 2.0 (Page 6)

MODEL-ZOO

OmniParser GUI交互实测

微软的OmniParser旨在将屏幕截图转换为 Vision Agents 的结构化、易于解释的元素，目标是使大型语言模型 (LLM) 能够与图形用户界面 (GUI) 交互。

MODEL-ZOO

7个最流行的图像生成AI模型

探索 2024 年最热门的开源 AI 图像生成模型。比较 Flux.1、Stable Diffusion 等，以及每种模型的优点和局限性。

MODEL-ZOO

GOT-OCR-2.0 通用字符识别

GOT-OCR-2.0代表着 OCR 技术的重大飞跃。它拥有 5.8 亿个参数，是一个大型、统一、端到端的解决方案，旨在一个框架内处理各种 OCR 任务。

MODEL-ZOO

21个值得关注的小型语言模型

小型语言模型 (SLM)更紧凑高效，提供了重要的功能，越来越多地被各个行业采用。

MODEL-ZOO

HF模型选择与应用指南

最近，我在日常工作中尝试使用 Hugging Face 目录中的模型，本文分享我所学到的知识，并提供如何应用这些模型的技巧。

MODEL-ZOO

Mochi 1 开源文生视频模型

Mochi 1 是一种革命性的开源 AI 视频生成模型，采用Apache 2.0 许可发布，代表了 AI 视频技术民主化的重要里程碑。

MODEL-ZOO

10个最强多模态AI模型

多模态AI模型已成为人工智能中不可或缺的一部分，因为它们提供了同时处理和生成来自多个数据源的见解的新方法。

MODEL-ZOO

Phi-3-vision小模型OCR实测

本文展示了如何在感兴趣的文件图像上应用 Phi3 模型来提取身份证、驾驶执照或健康保险卡等文件的数据。

MODEL-ZOO

5个最流行的开源ASR模型

本文将介绍最先进的5个开源 ASR 模型各自的主要优势和技术要求。

MODEL-ZOO

5个最流行的开源TTS模型

文本转语音 (TTS) 技术在无障碍、教育和虚拟助手等行业中应用广泛，因此过去一年对它的需求猛增。就像 LLM 和图像生成模型的进步一样，TTS 模型也不断发展，能够从文本输入生成更逼真、更像人类的语音。如果你希望将 TTS 集成到你的系统中，开源模型是一个绝佳的选择。与专有替代方案相比，它们提供了更大的灵活性、控制力和定制性。在这篇文章中，我们将探讨当今一些最流行的开源 TTS 模型。我们将深入研究它们的优点和缺点，帮助您选择最适合您需求的模型。最后，我们将提供一些常见问题的答案。 1、XTTS-v2XTTS 是最流行的语音生成模型之一。其最新版本 XTTS-v2 能够仅通过 6 秒的快速音频样本将声音克隆成不同的语言。这种效率消除了对大量训练数据的需求，使其成为语音克隆和多语言语音生成的有吸引力的解决方案。坏消息是，XTTS 背后的公司于 2024 年初关闭，将该项目留给了开源社区。但是，源代码仍然在 GitHub 上可用，XTTS-v2 仍然是 Hugging

MODEL-ZOO

Gemini目标检测实测

我们熟悉 Gemini 令人印象深刻的多模态能力，尤其是在推理图像数据时——无论是字幕、OCR、分类还是识别图像中的特定内容。与其开放模型对手 PaliGemma 不同，Gemini 模型并未专门针对对象检测任务进行训练。这一事实促使我进行了一些实验并撰写了这篇博客。注意：在这里，当我们谈论对象检测时，我们的意思是通过绘制边界框来识别和定位对象，就像 YOLO、DETR、EfficientDet、Florence-2 和 PaliGemma 等模型一样。所以，事不宜迟，让我们来看看 Gemini 是否可以执行对象检测和定位。如果是，在多大程度上？ 1、代码实现我们只需要 Gemini API 密钥—不需要其他任何东西。我假设你已经熟悉 Gemini API。如果还不熟悉，请查看此博客以了解如何在 Google AI Studio 上创建 Gemini API 密钥。

MODEL-ZOO

Vertex AI 模型花园

本文将探索 Google的Vertex AI Model Garden 的一些最相关功能及其使用方法，了解如何与这些模型交互。

MODEL-ZOO

Llama 3.2-Vision文本提取

该项目通过使用 Llama 3.2-Vision 来升级书籍封面识别，从而无缝地从图像中提取和完成标题和作者姓名。

AGENT

OmniParser - 基于视觉的GUI代理

OmniParser是微软研究院推出的完全基于计算机视觉的图形界面AI代理工具。

MODEL-ZOO

FLUX.1 图生图原理及实践

本文介绍扩散模型的工作原理，学习如何修改反向扩散过程以根据文本提示编辑图像，最后提供实现代码。