idea-research/ram-grounded-sam

# idea-research/ram-grounded-sam – Replicate 来源：https://replicate.com/idea-research/ram-grounded-sam ## 说明 ## Recognize Anything（https://github.com/xinyu1205/recognize-anything）与 Grounded-Segment-Anything（https://github.com/IDEA-Research/Grounded-Segment-Anything） **Recognize Anything Model (RAM)** 是一种图像标注模型，能够以高准确度识别任意常见类别。 ## RAM 亮点 RAM 是一种强大的图像标注模型，能够以高准确度识别任意常见类别。 - **强大且通用。**RAM 展现出卓越的图像标注能力，并具备强大的零样本泛化能力。 - RAM 在零样本性能上表现突出，显著优于 CLIP 和 BLIP。 - RAM 甚至超越了全监督方法（ML-Decoder）。 - RAM 的性能可与 Google 标注 API 相媲美。 - **可复现且成本低廉。**RAM 基于开源且无需标注的数据集，复现成本低。 - **灵活且多用途。**RAM 提供了出色的灵活性，适用于多种应用场景。 RAM 在 Tag2text 框架基础上大幅提升了标注能力。 - **准确性。**RAM 利用**数据引擎**来**生成**额外的标注并**清洗**错误标注，相比 Tag2Text 具有**更高的准确性**。 - **覆盖范围。**RAM 将固定标签数量从 3,400+ 升级至**6,400+（https://replicate.com/idea-research/data/ram_tag_list.txt）**（同义词缩减后为 4,500+ 个不同语义标签），覆盖**更多有价值的类别**。 ## 引用 如果您觉得我们的工作对您的研究有帮助，请考虑引用。 ``` @article{zhang2023recognize, title={Recognize Anything: A Strong Image Tagging Model}, author={Zhang, Youcai and Huang, Xinyu and Ma, Jinyu and Li, Zhaoyang and Luo, Zhaochuan and Xie, Yanchun and Qin, Yuzhuo and Luo, Tong and Li, Yaqian and Liu, Shilong and others}, journal={arXiv preprint arXiv:2306.03514}, year={2023} } @article{liu2023grounding, title={Grounding dino: Marrying dino with grounded pre-training for open-set object detection}, author={Liu, Shilong and Zeng, Zhaoyang and Ren, Tianhe and Li, Feng and Zhang, Hao and Yang, Jie and Li, Chunyuan and Yang, Jianwei and Su, Hang and Zhu, Jun and others}, journal={arXiv preprint arXiv:2303.05499}, year={2023} } ``` 模型创建于1年前