# 图像识别 #
0
关注
1061内容
Pangea：卡内基梅隆大学开源的多语言多模态大语言模型
Pangea是由卡内基梅隆大学团队开发的多语言多模态大型语言模型，支持39种语言，包含高质量英文指令、机器翻译指令及文化相关任务。该模型在多语言和文化背景下的性能超越现有开源模型，适用于多语言客户服务、教育和学习、跨文化交流等多个应用场景。
ebook2audiobookXTTS：开源电子书转有声书 AI 工具，支持 16 种语言
ebook2audiobookXTTS 是一款开源的 AI 工具，能够将电子书转换为有声书，支持多种电子书格式和 16 种语言。该工具利用 Coqui XTTS 技术实现高质量的文本到语音转换，并提供命令行、Web 界面和 Docker 容器等多种使用方式。
AI Agents Loop异步执行可视化Tutorial 借助AgentBoard工具可视化工作流
本文介绍了AI Agent的异步执行循环（Agent Loop），并展示了如何利用开源框架agentboard可视化这一过程。通过分析不同框架（如AutoGen、LangGraph、AutoAgent）对Agent Loop的抽象，文章详细说明了从简单的功能调用到复杂的多阶段执行流程的设计。此外，还提供了使用agentboard进行日志记录与流程可视化的具体示例，包括安装步骤、代码实现及运行方法，帮助开发者更高效地调试和优化AI Agent的应用。
Documind：开源 AI 文档处理工具，将 PDF 转换为图像提取结构化数据
Documind 是一款利用 AI 技术从 PDF 中提取结构化数据的先进文档处理工具，支持灵活的本地或云端部署。
OmniSearch：阿里巴巴通义推出的多模态检索增强生成框架
本文介绍了阿里巴巴通义实验室推出的多模态检索增强生成框架 OmniSearch，该框架具备自适应规划能力，能够动态拆解复杂问题，根据检索结果和问题情境调整检索策略，从而提升检索效率和准确性。
《YOLOv5原创自研》专栏介绍 & CSDN独家改进创新实战&专栏目录
YOLOv5原创自研，助力创新
一种基于YOLOv8改进的高精度表面缺陷检测网络， NEU-DET和GC10-DET涨点明显（原创自研）
【7月更文挑战第3天】一种基于YOLOv8改进的高精度表面缺陷检测， 在NEU-DET和GC10-DET任务中涨点明显；
Vript：最为详细的视频文本数据集，每个视频片段平均超过140词标注 ｜ 多模态大模型，文生视频
[Vript](https://github.com/mutonix/Vript) 是一个大规模的细粒度视频文本数据集，包含12K个高分辨率视频和400k+片段，以视频脚本形式进行密集注释，每个场景平均有145个单词的标题。除了视觉信息，还转录了画外音，提供额外背景。新发布的Vript-Bench基准包括三个挑战性任务：Vript-CAP（详细视频描述）、Vript-RR（视频推理）和Vript-ERO（事件时序推理），旨在推动视频理解的发展。
探索基于深度学习的图像识别在自动驾驶中的应用
随着人工智能技术的飞速发展，特别是深度学习在图像处理领域的突破性进展，自动驾驶技术迎来了前所未有的发展机遇。本文旨在深入探讨深度学习技术在图像识别领域的应用，并分析其在自动驾驶系统中的重要作用。通过回顾卷积神经网络（CNN）等关键技术的发展，以及它们在车辆检测、行人识别和交通标志识别等方面的应用案例，本文揭示了深度学习算法如何提升自动驾驶汽车的视觉感知能力，增强其对周围环境的理解和反应速度。
免费试用