简介
大型语言模型基于transformer架构构建，用于处理文本输入。例如，LLaMA在众多开源实现中脱颖而出。同样的transformer能否用于处理2D图像？在本文中，我们通过揭示一种LLaMA式的视觉transformer（普通形式和金字塔形式），称为VisionLLaMA，来回答这个问题。VisionLLaMA是一个统一的、通用的建模框架，可用于解决大多数视觉任务。我们使用典型的预训练范式在大量下游任务中广泛评估了其有效性，特别是在图像感知和图像生成方面。在许多情况下，VisionLLaMA相比之前最先进的视觉transformer展现出显著的优势。我们相信VisionLLaMA可以作为视觉生成和理解的强大新基线模型。
生成
DITLLaMA
请参考 DiTLLaMA.md
SITLLaMA
请参考 SiTLLaMA.md
理解
使用MIM预训练
预训练说明请参考 PRETRAIN.md。
ImageNet 1k 有监督训练
请参考 ImageNet1k_SFT
ADE 20k 分割
请参考 Segmentation.md。
COCO 检测
请参考 Detection.md。
✏️ 引用
如果您发现VisionLLaMA在您的研究或应用中有用，请考虑给一个星标 ⭐ 并使用以下BibTeX进行引用：
@inproceedings{chu2024visionllama,
title={VisionLLaMA: A Unified LLaMA Backbone for Vision Tasks},
author={Chu, Xiangxiang and Su, Jianlin and Zhang, Bo and Shen, Chunhua},
booktitle={European Conference on Computer Vision},
year={2024}
}
编辑推荐精选
Vora
免费创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具
Refly.AI
最适合小白的AI自动化工作流平台
无需编码，轻松生成可复用、可变现的AI自动化工作流
酷表ChatExcel
大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和 可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
AIWritePaper论文写作
AI论文写作指导平台
AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。
博思AIPPT
AI一键生成PPT，就用博思AIPPT！
博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。
潮际好麦
AI赋能电商视觉革命，一站式智能商拍平台
潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。
iTerms
企业专属的AI法律顾问
iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。
SimilarWeb流量提升
稳定高效的流量提升解决方案 ，助力品牌曝光
稳定高效的流量提升解决方案，助力品牌曝光
Sora2视频免费生成
最新版Sora2模型免费使用，一键生成无水印视频
最新版Sora2模型免费使用，一键生成无水印视频
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号