Tagged

MODEL-ZOO

A collection of 248 posts

MODEL-ZOO

Gemini 批量生成

LLM 非常适合按需生成内容，但如果不加以控制，你最终可能会收到一大笔账单。批量生成是另一种可用于以折扣价节省时间的技术。

MODEL-ZOO

CoTracker3点跟踪模型综合指南

CoTracker3 是一种尖端的人工智能模型，专为跟踪视频中多个帧中的点而设计。它适用于 3D 重建、视频编辑甚至动作捕捉等应用。

MODEL-ZOO

Neo4j Text2Cypher 模型

Neo4j Text2Cypher模型演示了如何使用 Neo4j Text2Cypher(2024) 数据集微调基础模型来提高 Text2Cypher 任务的性能。

MODEL-ZOO

5个Whisper变体实现与比较

本文介绍OpenAI Whisper的5个变体以及如何在 Python 中实现它们，并给出性能测试的比较结果。

MODEL-ZOO

Qwen2-VL OCR能力微调与量化

最近，我对 Qwen2-VL-2B 进行了微调，我的目标是使用此模型从车辆铭牌和底盘图像中提取所需的信息 (OCR)。

MODEL-ZOO

OOTDiffusion虚拟试穿模型

虚拟试穿技术是电子商务和时尚领域的一项前沿创新，它允许客户在不实际穿着的情况下尝试虚拟服装、配饰、化妆品或其他时尚元素。OTDiffusion是一种基于 LDM 的新方法。

MODEL-ZOO

Idefics-2微调实现视觉问答

本文介绍如何使用Transformers库微调Idefics-2视觉大模型，来应对视觉问答任务。

MODEL-ZOO

PuLID极速身份定制模型

PuLID是一种创新的非调整身份定制方法，提供对面部特征和身份特征的前所未有的控制。

MODEL-ZOO

MiniCPM-V端侧多模态大模型

MiniCPM-V 是一系列高效的 MLLM，旨在在手机和个人电脑等端侧设备上运行，使其成为各种 AI 应用程序的强大工具。

MODEL-ZOO

Ultravox实时语音多模态大模型

Ultravox 是一种新型多模态 LLM，可以理解文本和人类语音，而无需单独的音频语音识别 (ASR) 阶段。

MODEL-ZOO

OmniVision-968M 世界最小VLM

Omnivision 是一个紧凑的、不到1B (968M)参数 的多模态模型，用于处理视觉和文本输入，针对边缘设备进行了优化。

MODEL-ZOO

Qwen2.5-Coder 模型微调教程

本文介绍如何在Continue代码助手的开发数据记录基础上，使用 Unsloth 微调Qwen2.5-Coder 7B模型，以完善其代码自动完成能力。

MODEL-ZOO

在VS Code中使用Qwen2.5-Coder

得益于通过 ollama 和 CodeGPT 的集成，Qwen2.5-Coder 模型现已可供直接下载并在 VS Code 中使用。

MODEL-ZOO

BRIA RMBG-2.0背景去除模型

RMBG v2.0 是BRIA AI最新的先进的背景去除模型，旨在有效地将一系列类别和图像类型的前景与背景分开。

MODEL-ZOO

Qwen2.5-Coder本地运行指南

本综合指南探讨了如何在本地系统上有效部署和利用 Qwen2.5-Coder，特别关注与 Ollama 的集成以简化部署。

MODEL-ZOO

MacBook实测Qwen2.5-Coder-32B

Qwen2.5-Coder-32B 是一款可以在我的 Mac 上运行的、可以很好地编写代码的 LLM。

MODEL-ZOO

10个最常用的音频嵌入模型

在音乐推荐、情感分析、环境声音识别等领域，音频嵌入技术已经成为不可或缺的工具。本文将介绍10个广泛使用的音频嵌入模型。

MODEL-ZOO

Hertz-dev实时对话生成模型

Hertz-dev是一个革命性的开源音频模型，这个配备 85 亿个参数的 AI 模型实现了人们梦寐以求的全双工实时对话。

MODEL-ZOO

Legal-BERT 法律大模型微调

通过微调在法律语料库上预先训练的Legal-BERT模型，我们可以在合同分析、合规性监控和法律文件检索等任务中实现更高的准确性和可靠性。

MODEL-ZOO

Llama 3.2 Vision 评测

Llama 3.2-Vision 指令调整模型针对视觉识别、图像推理、字幕和回答有关图像的一般问题进行了优化。这些模型在常见的行业基准上优于许多可用的开源和封闭多模式模型。

MODEL-ZOO

Llama-3.1微调实现函数调用

本文探讨如何使用 Unsloth微调 Llama-3.1–8B 模型以实现函数调用功能，并使用 vLLM 进行高性能模型推理和服务。

MODEL-ZOO

OuteTTS 简明教程

OuteAI推出的OuteTTS是一种新颖的文本转语音 ( TTS ) 合成方法，它利用纯语言建模，无需外部适配器或复杂架构。

MODEL-ZOO

TTS：MaskGCT & OuteTTS

在过去的一年中，seamless_communication、StyleTTS、VITS、DeepSpeech和Whisper 等项目都在 TTS（文本转语音）技术的进步中发挥了重要作用。但现在，回顾 GitHub，这些项目中的很多都已经沉寂了。 最初，我只对它们的功能有基本的了解，而没有深入研究它们背后的技术概念和机制。这次，受到最近发布的 MaskGCT 和 OutTTS 等开源项目的启发，我决定总结一下 TTS 的基础技术。总体而言，音频生成的质量自去年以来有了显着提高。以前，合成的声音听起来很机械；现在，多亏了 Hertz-dev 等模型，我们可以生成听起来更自然、更像人类的音频。 1、TTS 基础知识TTS 系统的主要目标是将输入的文本转换为听起来自然的语音。 1.1 传统TTS模型传统的 TTS 模型（例如 Tacotron 和 WaveNet）通常涉及三个主要步骤：

MODEL-ZOO

SegFormer数据集制作及模型微调

本指南展示了如何微调 Segformer，这是一种最先进的语义分割模型。我们的目标是为披萨送货机器人建立一个模型，这样它就可以看到要行驶的方向并识别障碍物 🍕🤖。 我们将首先在 Segments.ai 上标记一组人行道图像。然后，我们将使用 🤗 transformers 微调预先训练的 SegFormer 模型，transformers 是一个开源库，提供最先进模型的易于使用的实现。在此过程中，我们将学习如何使用 Hugging Face Hub，这是最大的开源模型和数据集目录。 语义分割是对图像中的每个像素进行分类的任务。你可以将其视为对图像进行更精确分类的方法。它在医学成像和自动驾驶等领域有广泛的用例。例如，对于我们的披萨送货机器人来说，重要的是要确切地知道人行道在图像中的位置，而不仅仅是是否有人行道。 因为语义分割是一种分类，所以用于图像分类和语义分割的网络架构非常相似。 2014 年，Long 等人发表了一篇开创性的论文，使用卷积神经网络进行语义分割。 最近，Transformers 已用于图像分类（例如 ViT），现在它们也用于语义分割，进一步推动了最先进的技术。 SegFormer 是 Xie 等人于 2021

MODEL-ZOO

Phi-3.5电商数据集微调

本文加载Phi-3.5-mini-instruct 模型并对其进行微调，以根据文本描述对电子商务产品进行分类，并将 LoRA（低秩自适应）微调模型与基础模型合后推送到 Hugging Face。