Vary-toy官网 – 小型视觉语言模型

Pixtral-12B-2409 是 Mistral AI 开发的多模态模型，拥有12亿参数的解码器和4亿参数的视觉编码器，能够同时处理文本和图像。它支持128k长上下文，具备图像理解能力如OCR和视觉问答，支持中/英/日/韩等24种语言，满足全球化需求。该模型在多模态任务中表现优异，尤其在文档问答（DocVQA）和视觉问答（VQAv2）上领先，且可以在单张RTX 4090上运行，许可证为Apache 2.0。

Matching Anything By Segmenting Anything（通过分割任意内容匹配任意内容），是一种用于稳健实例关联学习的新方法，能够在不同领域中匹配视频中的任何对象而无需跟踪标签。

Gauss2是三星在2024年韩国开发者大会(SDC24 Korea)发布的第二代多模态生成性AI模型，支持语言、代码和图像处理。提供Compact(紧凑型)、Balanced(平衡型)、Supreme(至尊型)三种版本，分别适用于设备端、通用场景和云端高性能需求。支持9-14种自然语言和多种编程语言，处理速度比主流开源模型快1.5-3倍。目前主要用于三星内部生产力工具，未来计划集成到消费产品中。

Oyeeah是一个综合性的AI工具平台，旨在通过先进的AI技术帮助用户进行内容创作、数据分析和自动化。它提供了一整套工具，适用于AI内容生成、图像处理、编码辅助等多种任务，旨在提升生产力和创新能力。

taco（张量代数编译器）用于对稀疏和密集张量进行高效的张量表达式计算，支持优化计算性能，适用于多种应用场景。

HandyAI是一个开源应用，利用先进的语言和图像模型，提供现代化的用户体验，外观时尚，操作便捷。

人类眼睛的反射性是了解周围世界的一种尚未被充分开发的来源。通过拍摄运动中的人的眼睛，我们可以通过眼睛的反射收集场景中多个视角的画面，这些画面是通过相机直接拍摄无法得到的。

该项目研究通过Sinkhorn散度在最优传输和最大均值差异（MMD）之间进行插值的方法，旨在提供一种有效的数据比较工具，支持多种数据分布的插值，帮助解决机器学习、统计学和图像处理等领域中的相关问题。

FLYCV是PaddlePaddle开发的高性能计算视觉系统，类似OpenCV但更轻量、性能更高。它在ARM架构下进行了大量优化，提供细粒度的编译选项控制，支持自定义命名空间，解决相同依赖库冲突问题，并支持多种主流操作系统，包括Android、ARMLinux、macOS（x86 & arm）、Windows、iOS。

《TensorFlow in Action》教你使用TensorFlow 2构建、训练和部署深度学习模型，涵盖从DL基础知识到NLP、图像处理和MLOps的高级应用。

PaliGemma 2 Release 是由 Google 提供的多模态视觉语言模型集合，包含 3B、10B 和 28B 不同参数规模的模型。该项目基于 Gemma 2 语言模型和 SigLIP 视觉编码器，支持多种分辨率的图像输入，适用于图像描述、视觉问答（VQA）、光学字符识别（OCR）、表格结构识别和医学图像理解等任务。模型通过 Transformers 库进行微调，适合在广泛的视觉语言任务上实现领先性能。

Python机器视觉工具箱，专为机器视觉和基于视觉控制的Python实现而设计。该工具箱集成了OpenCV、NumPy和SciPy的近200种方法和属性，提供了强大的图像处理和特征提取功能，适用于各种机器视觉算法和视觉控制系统的开发。

Simon是一个基于Python的库，支持OCR、数据摄取、语义搜索、抽取式问答、文本推荐和AI聊天等功能。它是开源的（Apache 2.0），并且可以在Postgres实例上运行。

captcha-break是一个基于opencv2、tesseract-ocr和机器学习算法的验证码破解工具。它通过图像处理和光学字符识别技术，结合机器学习算法提高准确性，旨在破解各种类型的验证码挑战。该项目是开源的，并在GitHub上提供，鼓励社区贡献。

Runhorse AI 是一款先进的AI肖像生成应用，能够在几秒钟内从用户上传的照片中生成专业级图像。它通过分析照片来生成独特的风格和特征，使用户能够轻松地转换他们的图像。