# 图像识别 #
0
关注
1156内容
行业实践 | 基于Qwen2-VL实现医疗表单结构化输出
本项目针对不同医院检查报告单样式差异大、手机拍摄质量差等问题，传统OCR识别效果不佳的情况，探索并选定了Qwen2-vl系列视觉语言模型。通过微调和优化，模型在识别准确率上显著提升，能够精准识别并结构化输出报告单信息，支持整张报告单及特定项目的识别。系统采用FastAPI封装接口，Gradio构建展示界面，具备高效、灵活的应用特性。未来该方案可扩展至多种文本识别场景，助力行业数字化转型。
CogAgent-9B：智谱 AI 开源 GLM-PC 的基座模型，专注于预测和执行 GUI 操作，可应用于自动化交互任务
CogAgent-9B 是智谱AI基于 GLM-4V-9B 训练的专用Agent任务模型，支持高分辨率图像处理和双语交互，能够预测并执行GUI操作，广泛应用于自动化任务。
AutoMouser：AI Chrome扩展程序，实时跟踪用户的浏览器操作，自动生成自动化操作脚本
AutoMouser是一款Chrome扩展程序，能够实时跟踪用户交互行为，并基于OpenAI的GPT模型自动生成Selenium测试代码，简化自动化测试流程。
【图像识别】基于CNN 实现水果分类附matlab代码
【图像识别】基于CNN 实现水果分类附matlab代码
图像识别算法汇总
图像识别算法汇总
【视觉智能AI场景解决方案——智慧考勤】
随着科技和经济的发展，考勤管理制度无论是对于企业还是学习，都是相对重要的管理制度。在传统考勤制度中，员工的出勤和工时需要依靠人工记录，并需要相应的人力来处理和审批。这种方式在浪费了时间和人力成本的基础上，还极易出现数据记录错误，造成一系列严重的后果。现如今，随着视觉智能AI的发展，智慧考勤可以实现。除了可以解决传统的考勤制度中的劣势之外， 还具备完善的数据传输和保存系统，管理者可以更好地利用考勤数据和实时通知系统，更好地规划资源和调整工作安排。
【计算机视觉+CNN】keras+ResNet残差网络实现图像识别分类实战（附源码和数据集 超详细）
【计算机视觉+CNN】keras+ResNet残差网络实现图像识别分类实战（附源码和数据集 超详细）
【大模型】大型模型飞跃升级—文档图像识别领域迎来技术巨变
通过对GPT-4V和文档识别领域的深入分析和思考，为OCR文档识别领域的研究开辟了新的方向。需求不断增长的背景下，提高识别精度和处理效率成为了迫切需要满足的新应用标准。在这一背景下，出现了：
素级OCR统一模型、OCR大一统模型、文档识别分析+LLM（LanguageModel）等应用的新方向。下面来详细看一下。
TEN Agent：开源的实时多模态 AI 代理框架，支持语音、文本和图像的实时通信交互
TEN Agent 是一个开源的实时多模态 AI 代理框架，集成了 OpenAI Realtime API 和 RTC 技术，支持语音、文本和图像的多模态交互，具备实时通信、模块化设计和多语言支持等功能，适用于智能客服、实时语音助手等多种场景。
免费试用