2 रिपॉजिटरी
Awesome GitHub RepositoriesVisual Question Answering Libraries
Libraries that generate natural-language descriptions and answer visual questions from images using multimodal encoder-decoder architectures.
Distinct from Image Captioning: Distinct from Image Captioning: combines both caption generation and visual question answering in a single library, not just captioning.
Explore 2 awesome GitHub repositories matching part of an awesome list · Visual Question Answering Libraries. Refine with filters or upvote what's useful.
Awesome Visual Question Answering Libraries GitHub Repositories
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- salesforce/blip
salesforce/BLIP
5,676GitHub पर देखेंBLIP is a vision-language model framework that combines contrastive, matching, and language modeling objectives to align images with text. Built on a multimodal encoder-decoder architecture, it supports distributed data-parallel training with cosine learning rate scheduling and sliding-window metric tracking for training stability. The framework provides capabilities for image captioning, visual question answering, and cross-modal retrieval, scoring semantic alignment between images and text through learned embeddings. It includes toolkits for fine-tuning pre-trained models on custom datasets
Generates natural-language descriptions and answers visual questions from images using multimodal encoder-decoder architectures.
Jupyter Notebookimage-captioningimage-text-retrievalvision-and-language-pre-training - ollama/ollama-js
ollama/ollama-js
4,277GitHub पर देखेंollama-js एक JavaScript क्लाइंट लाइब्रेरी और API रैपर है जो लार्ज लैंग्वेज मॉडल के साथ इंटरैक्ट करने और उन्हें मैनेज करने के लिए एक प्रोग्रामेटिक इंटरफ़ेस प्रदान करती है। यह स्थानीय और क्लाउड-आधारित दोनों एनवायरनमेंट में मॉडल के निष्पादन को सक्षम बनाती है, जो कन्वर्सेशनल टेक्स्ट के निर्माण और मॉडल लाइफसाइकिल के मैनेजमेंट को सुविधाजनक बनाती है। यह प्रोजेक्ट मॉडल एडमिनिस्ट्रेशन के लिए विशेष टूल प्रदान करके खुद को अलग करता है, जिसमें मॉडल को डाउनलोड, बनाने और हटाने की क्षमता, साथ ही कस्टम मॉडल ब्लूप्रिंट और प्रॉम्प्ट टेम्प्लेट को परिभाषित करने की क्षमता शामिल है। यह सिमेंटिक सर्च और रिट्रीवल पाइपलाइनों का समर्थन करने के लिए संख्यात्मक टेक्स्ट प्रतिनिधित्व उत्पन्न करने के लिए एक वेक्टर एम्बेडिंग क्लाइंट भी प्रदान करता है। यह लाइब्रेरी मल्टीमॉडल विश्लेषण, आंतरिक तर्क ट्रेसेस (reasoning traces) के कैप्चर और डेटा निष्कर्षण के लिए स्ट्रक्चर्ड JSON स्कीमा के प्रवर्तन सहित क्षमताओं की एक विस्तृत श्रृंखला को कवर करती है। यह टूल इनवोकेशन और एसिंक्रोनस जनरेटर के माध्यम से रिस्पॉन्स की स्ट्रीमिंग के माध्यम से उन्नत मॉडल इंटरैक्शन का भी समर्थन करती है। यह लाइब्रेरी TypeScript में लिखी गई है।
Integrates multimodal models to generate natural-language descriptions and answer specific questions about image content.
TypeScriptjavascriptjsollama
