🐶Лапочки с характером: Как машинное обучение помогает определить тип личности ваших пёсиков
В данной статье описывается успешная попытка применить методы искусственного интеллекта и ML для классификации и прогнозирования личностных качеств собак с использованием поведенческих данных, полученных из базы данных C-BARQ.
Читать...
В данной статье описывается успешная попытка применить методы искусственного интеллекта и ML для классификации и прогнозирования личностных качеств собак с использованием поведенческих данных, полученных из базы данных C-BARQ.
Читать...
🌐NanoSAM: Real-Time Object Segmentation on NVIDIA Jetson Orin Platforms with NVIDIA TensorRT
NanoSAM — это вариант модели Segment Anything (SAM), который способен работать в реальном времени на платформах NVIDIA Jetson Orin с NVIDIA TensorRT. Он обучается путем дистилляции кодера изображений MobileSAM на немаркированных изображениях. Для ознакомления с дистилляцией знаний мы рекомендуем ознакомиться с этим руководством.
🖥Github: https://github.com/NVIDIA-AI-IOT/nanosam
⏩Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_nanosam.html
@Devsp — Подписаться
NanoSAM — это вариант модели Segment Anything (SAM), который способен работать в реальном времени на платформах NVIDIA Jetson Orin с NVIDIA TensorRT. Он обучается путем дистилляции кодера изображений MobileSAM на немаркированных изображениях. Для ознакомления с дистилляцией знаний мы рекомендуем ознакомиться с этим руководством.
🖥Github: https://github.com/NVIDIA-AI-IOT/nanosam
⏩Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_nanosam.html
@Devsp — Подписаться
🚀Maximizing NanoDB Efficiency: A Guide to Containerized Image Management and Operations
NanoDB — это мультимодальная векторная база данных, оптимизированная для CUDA, которая использует встраивания из преобразователя изображения CLIP для поиска по сходству txt2img и img2img.
🖥 Github: https://github.com/dusty-nv/jetson-containers/blob/master/packages/vectordb/nanodb/README.md
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_nanodb.html
@Devsp — Подписаться
NanoDB — это мультимодальная векторная база данных, оптимизированная для CUDA, которая использует встраивания из преобразователя изображения CLIP для поиска по сходству txt2img и img2img.
🖥 Github: https://github.com/dusty-nv/jetson-containers/blob/master/packages/vectordb/nanodb/README.md
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_nanodb.html
@Devsp — Подписаться
🎉Deep Learning Research on Audio Generation with AudioCraft: A PyTorch Library
AudioCraft — это библиотека PyTorch для исследований в области глубокого обучения генерации звука. AudioCraft содержит код вывода и обучения для двух современных генеративных моделей искусственного интеллекта, создающих высококачественный звук: AudioGen и MusicGen.
🖥 Github: https://github.com/facebookresearch/audiocraft
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_audiocraft.html
@Devsp — Подписаться
AudioCraft — это библиотека PyTorch для исследований в области глубокого обучения генерации звука. AudioCraft содержит код вывода и обучения для двух современных генеративных моделей искусственного интеллекта, создающих высококачественный звук: AudioGen и MusicGen.
🖥 Github: https://github.com/facebookresearch/audiocraft
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_audiocraft.html
@Devsp — Подписаться
🦾LLaVA: Large Language and Vision Assistant
LLaVA is a popular multimodal vision/language model that you can run locally on Jetson to answer questions about image prompts and queries.
🖥 Github: https://llava-vl.github.io/
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_llava.html
@Devsp — Подписаться
LLaVA is a popular multimodal vision/language model that you can run locally on Jetson to answer questions about image prompts and queries.
🖥 Github: https://llava-vl.github.io/
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_llava.html
@Devsp — Подписаться
🗣Whisper: A Multitasking Speech Recognition Model for Multilingual Applications
Whisper — это универсальная модель распознавания речи. Он обучен на большом наборе данных разнообразного аудио, а также представляет собой многозадачную модель, которая может выполнять многоязычное распознавание речи, перевод речи и идентификацию языка.
🖥 Github: https://github.com/openai/whisper
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_whisper.html
@Devsp — Подписаться
Whisper — это универсальная модель распознавания речи. Он обучен на большом наборе данных разнообразного аудио, а также представляет собой многозадачную модель, которая может выполнять многоязычное распознавание речи, перевод речи и идентификацию языка.
🖥 Github: https://github.com/openai/whisper
⏩ Tutorial: https://www.jetson-ai-lab.com/tutorial_whisper.html
@Devsp — Подписаться
🚀Optimizing Real-Time Object Detection with NanoOWL: Enhancing OWL-ViT on NVIDIA Jetson Platforms
NanoOWL — это проект, который оптимизирует OWL-ViT для работы в реальном времени на платформах NVIDIA Jetson Orin с NVIDIA TensorRT. NanoOWL также представляет новый конвейер «обнаружения деревьев», который сочетает в себе OWL-ViT и CLIP, чтобы обеспечить вложенное обнаружение и классификацию чего угодно на любом уровне, просто предоставляя текст.
🖥 Github: https://github.com/NVIDIA-AI-IOT/nanoowl
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_nanoowl.html
@Devsp — Подписаться
NanoOWL — это проект, который оптимизирует OWL-ViT для работы в реальном времени на платформах NVIDIA Jetson Orin с NVIDIA TensorRT. NanoOWL также представляет новый конвейер «обнаружения деревьев», который сочетает в себе OWL-ViT и CLIP, чтобы обеспечить вложенное обнаружение и классификацию чего угодно на любом уровне, просто предоставляя текст.
🖥 Github: https://github.com/NVIDIA-AI-IOT/nanoowl
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_nanoowl.html
@Devsp — Подписаться
🥸Advancing Object Segmentation with SAM: A Meta AI Research Project from FAIR
Модель Segment Anything Model (SAM) создает высококачественные маски объектов из подсказок ввода, таких как точки или прямоугольники, и ее можно использовать для создания масок для всех объектов на изображении.
🖥 Github: https://github.com/facebookresearch/segment-anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_sam.html
@Devsp — Подписаться
Модель Segment Anything Model (SAM) создает высококачественные маски объектов из подсказок ввода, таких как точки или прямоугольники, и ее можно использовать для создания масок для всех объектов на изображении.
🖥 Github: https://github.com/facebookresearch/segment-anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_sam.html
@Devsp — Подписаться
😎Track-Anything: A Flexible and Interactive Tool for Video Object Tracking and Segmentation
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
😎Track-Anything: A Flexible and Interactive Tool for Video Object Tracking and Segmentation
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
😎Track-Anything: A Flexible and Interactive Tool for Video Object Tracking and Segmentation
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
Track-Anything — это гибкий и интерактивный инструмент для отслеживания и сегментации видеообъектов. Он разработан на основе Segment Anything и может указывать что-либо для отслеживания и сегментации только с помощью кликов пользователя.
🖥 Github: https://github.com/gaomingqi/Track-Anything
⏩ Tutorial: https://www.jetson-ai-lab.com/vit/tutorial_tam.html
@Devsp — Подписаться
⚡️ByteDance presents SDXL-Lightning: a lightning fast 1024px text-to-image generation model
SDXL-Lightning — это молниеносная модель преобразования текста в изображение. Он может генерировать высококачественные изображения размером 1024 пикселей за несколько шагов.
▪HF: https://huggingface.co/ByteDance/SDXL-Lightning
@Devsp — Подписаться
SDXL-Lightning — это молниеносная модель преобразования текста в изображение. Он может генерировать высококачественные изображения размером 1024 пикселей за несколько шагов.
▪HF: https://huggingface.co/ByteDance/SDXL-Lightning
@Devsp — Подписаться
👤Learning to Learn Faster from Human Feedback with Language Model Predictive Control
В этой работе мы изучаем тонкую настройку LLM для написания кода роботами, чтобы запомнить их контекстное взаимодействие и улучшить их обучаемость, т. е. насколько эффективно они адаптируются к вводу человека (измеряется средним количеством исправлений, прежде чем пользователь сочтет задачу успешной).
▪proj: https://robot-teaching.github.io
▪paper: https://arxiv.org/abs/2402.11450
▪code: https://colab.research.google.com/drive/1YcRN_kklw3cVVJNvgK_IEV6nDce9EJWK
@Devsp — Подписаться
В этой работе мы изучаем тонкую настройку LLM для написания кода роботами, чтобы запомнить их контекстное взаимодействие и улучшить их обучаемость, т. е. насколько эффективно они адаптируются к вводу человека (измеряется средним количеством исправлений, прежде чем пользователь сочтет задачу успешной).
▪proj: https://robot-teaching.github.io
▪paper: https://arxiv.org/abs/2402.11450
▪code: https://colab.research.google.com/drive/1YcRN_kklw3cVVJNvgK_IEV6nDce9EJWK
@Devsp — Подписаться