DocLayout-YOLO

Mejora el análisis de diseño de documentos mediante datos sintéticos diversificados y una percepción adaptativa de global a local.

Producto ComúnImagenAnálisis de diseño de documentosAprendizaje profundo

Abrir sitio web

DocLayout-YOLO es un modelo de aprendizaje profundo para el análisis de diseño de documentos. Mejora la precisión y la velocidad de procesamiento del análisis de diseño de documentos mediante datos sintéticos diversificados y una percepción adaptativa de global a local. El modelo genera un conjunto de datos DocSynth-300K a gran escala y altamente diverso utilizando el algoritmo Mesh-candidate BestFit, mejorando significativamente el rendimiento de ajuste fino en diferentes tipos de documentos. Además, propone un módulo de campo receptivo controlable de global a local para manejar mejor los cambios de escala múltiple de los elementos del documento. DocLayout-YOLO destaca en conjuntos de datos descendentes de varios tipos de documentos, mostrando ventajas significativas tanto en velocidad como en precisión.

Best AI Websites & Tools

DocLayout-YOLO

DocLayout-YOLO Situación del tráfico más reciente

DocLayout-YOLO Tendencia de visitas

DocLayout-YOLO Distribución geográfica de las visitas

DocLayout-YOLO Fuentes de tráfico

DocLayout-YOLO Alternativas

DocLayout-YOLO — Mejora el análisis de diseño de documentos mediante datos sintéticos diversificados y una percepción adaptativa de global a local.

OpenGVLab InternVL — Un modelo de lenguaje visual de IA que proporciona servicios de análisis y descripción de imágenes.

Florence-VL — Herramienta de mejora de modelos de lenguaje visual, que combina un codificador visual generativo y una técnica de fusión de profundidad y amplitud.

PaliGemma 2 — PaliGemma 2 es un potente modelo de lenguaje visual, fácil de ajustar.

YOLO11 — Modelo avanzado de detección y seguimiento de objetivos

Aixploria — Directorio de herramientas de IA, descubre las mejores herramientas de IA

llava-llama-3-8b-v1_1 — Modelo LLaVA optimizado por XTuner, que combina el procesamiento de imágenes y texto.

MindOne — MindOne: Herramienta integral de generación de IA

Anthropic — Forjando el futuro de la inteligencia artificial

Percepción Máquina — Reconocimiento y análisis inteligente de imágenes

Google Vision Transformer — Modelo de reconocimiento de imágenes basado en Transformer

HunyuanVideo-I2V — HunyuanVideo-I2V es un framework de generación de imagen a video basado en HunyuanVideo, desarrollado por Tencent.

QwQ-32B — QwQ-32B es un potente modelo de inferencia, diseñado para la resolución de problemas complejos y la generación de texto, con un rendimiento excepcional.

CogView4-6B — CogView4-6B es un potente modelo de generación de imágenes a partir de texto, centrado en la generación de imágenes de alta calidad.

UniTok — UniTok es un tokenizador visual unificado para la generación y comprensión visual.

PhotoDoodle — PhotoDoodle es una implementación de código que aprende la edición de imágenes artísticas a partir de un pequeño conjunto de datos de pares de imágenes.

Datos de perfilado en DeepSeek Infra — Analiza las estrategias de superposición de cómputo y comunicación en V3/R1, proporcionando datos de análisis de rendimiento para frameworks de aprendizaje profundo.

EPLB — Un algoritmo de código abierto para el balanceo de carga de paralelismo de expertos, diseñado para optimizar la asignación y el balanceo de carga de expertos en entornos multi-GPU.

DualPipe — Un algoritmo de paralelismo de canalización bidireccional que superpone el cálculo y la comunicación durante el entrenamiento V3/R1.

DeepGEMM — DeepGEMM es una biblioteca CUDA para la multiplicación de matrices FP8 de alta eficiencia, que admite escalado de grano fino y diversas técnicas de optimización.

DeepEP — DeepEP es una biblioteca de comunicación eficiente para Mixture-of-Experts (MoE) y comunicación paralela de expertos (EP).

FlexHeadFA — Mecanismo de atención preciso, rápido y eficiente en cuanto a memoria.

FlashMLA — FlashMLA es un núcleo de decodificación MLA eficiente optimizado para GPU Hopper, ideal para servicios de secuencias de longitud variable.

QwQ-Max-Vista previa — QwQ-Max-Vista previa es el último logro de la serie Qwen, construido sobre Qwen2.5-Max, y cuenta con una potente capacidad de razonamiento y aplicaciones multidominio.

Claude 3.7 Sonnet — Claude 3.7 Sonnet es el último modelo inteligente de Anthropic, que ofrece respuestas rápidas y razonamiento profundo.

VLM-R1 — VLM-R1 es un modelo de lenguaje visual reforzado estable y versátil, enfocado en tareas de comprensión visual.

PaliGemma 2 mix — PaliGemma 2 mix es un modelo de lenguaje visual multifuncional, aplicable a diversas tareas y áreas.

BioEmu — BioEmu es un modelo de aprendizaje profundo generativo para la simulación escalable de conjuntos de equilibrio de proteínas.

FlashVideo — FlashVideo es un modelo de generación de vídeo de alta resolución y alta eficiencia, centrado en la fluidez de los detalles y la fidelidad.

OmniParser-v2.0 — OmniParser es una herramienta universal de análisis de pantalla que convierte capturas de pantalla de la interfaz de usuario (UI) en un formato estructurado, mejorando el rendimiento de los agentes de IU basados en LLM.