VLM 系列——RAM（recognize anything）—— 项目使用——调整阈值（获得置信度）

已于 2024-01-28 09:58:47 修改
阅读量440 收藏 2
点赞数
分类专栏： AIGC算法 文章标签： python 计算机视觉 AIGC
于 2023-11-07 14:52:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012863603/article/details/134267164
版权
AIGC算法 专栏收录该内容
37 篇文章 17 订阅 ¥89.90 ¥99.00
订阅专栏
本文介绍了如何在VLM的RAM项目中调整阈值以优化识别的置信度。主要涉及修改阈值文件和ram.py代码，关注的阈值集中在0.65、0.8和0.9。通过调整这些参数，可以提升计算机视觉模型的识别准确性。
摘要由CSDN通过智能技术生成
    原始代码并不会输出得分，而是根据各个属性的阈值判别大于阈值（不同的子类不同）的为命中，输出对应的属性。因此需要修改代码实现。

    默认阈值分布如下图，主要几种在0.65，还有两个高频阈值0.8和0.9。

    

1、修改阈值文件

找到需要输出得分的类目，并且将对应的阈值文件对应的类目阈值修改为0.0 （建议备份改文件
了解本专栏 订阅专栏 解锁全文
VLM 系列——RAM（recognize anything）—— 论文详解
TigerZ*的博客
10-23 1120
详细介绍了RAM（recognize anything）的模型结构、数据集构成方式、数据清洗方式，以及创新点和使用方法。
VLM 系列——RAM++（recognize anything++）—— 论文详解
TigerZ*的博客
11-27 1385
本文详细介绍了RAM++ 《Open-Set Image Tagging with Multi-Grained Text Supervision》涉及到的模型结构、数据清洗、训练细节以及对应的消融实验。
recognize-anything 识别万物
zhanghaoliang01的博客
12-26 522
apt update。
基于ram++与groundingdino实现对图像自动检测
a486259的博客
08-17 823
基于ram++算法与groundingdino可以实现对图像自动检测，ram++项目中也分享了与grounded-SAM连用的效果。这里对开源代码进行集成，实现ram++算法与groundingdino的连用。
Recognize Anything 项目教程
gitblog_00827的博客
08-09 592
Recognize Anything 项目教程 recognize-anythingOpen-source and strong foundation image recognition models.项目地址:https://gitcode.com/gh_mirrors/re/recognize-anything 项目介绍 Recognize Anything (RAM) 是一个开源的图像识别...
识别一切模型RAM（Recognize Anything Model）及其前身 Tag2Text 论文解读
qq_40491305的博客
06-14 2219
因为RAM在分类、检测、分割等数据集都有覆盖，同时也有seen数据（训练数据中有的）和unseen数据（训练中没有的）的识别能力，所以作者做了一个图，体现不同识别方法的识别范围（Recognition Scope），RAM-unseen是红色，因为RAM有开集识别能力，所以是最大的。另外作者还用CLIP的Image Encoder对SAM的图片feature进行蒸馏（因为CLIP的image和text特征是对齐的），这样SAM模型在没见过的类别也会有更好的特征生成。
RAM - 识别一切，强大的图像标记模型
Edvard的专栏
06-28 2604
识别一切，强大的图像标记模型
VLM 系列——Monkey——论文解读
TigerZ*的博客
01-28 766
Monkey，是一个多模态的视觉-文本模型，当前版本（20231130）为基于Qwen-vl 的三阶段微调（增加了Lora+visual adapter 支持更高的分辨率）可以完成对一幅图片进行描述（强项，更细节）、相关事物（文本）进行问答（强项，尤其文本），但是这个版本只支持一个图片（为且必为首次输入），几乎不支持写代码（目前测试是的），图中物体或指定输出检测框仍然保留的能力，但是弱了。提出使用Lora 微调已有Qwen-vl 视觉编码器（有多个，看下文的模型结构），加visual adapter 将多个
VLM 系列——MiniCPM-Llama3-V 2.6——论文解读——前瞻（源码解读）
TigerZ*的博客
08-16 496
MiniCPM-Llama3-V 2.6 是一款面向终端设备的多模态大型语言模型（MLLM），论文暂未发布，它专注于实现在手机等资源受限设备上的高级AI功能，参数8B（qwen2 7B + SigLIP ViT-400m/14 + 视觉标记压缩层）。该模型能够处理包括文本、图像在内的多种数据类型，具备图片描述、单图文问答、代码编写和debug、多图问对话、视频理解对话、json格式、高清OCR解析（函数调用论文暂时未提）。本文结合源码，将重点改进和相关技术进行了拆解介绍。
继万物分割SAM之后，万物识别模型RAM来了！
idol24的博客
06-08 2044
Recognize Anything: A Strong Image Tagging Model提出“识别万物模型”（Recognize Anything Model，RAM），用于图像打标签。RAM 可以高精度地识别任何常见类别。RAM 引入了图像打标签的一个新范式，利用大规模的图像-文本对进行训练，而不是手动标注。开发 RAM 分为四个步骤。首先，通过自动文本语义解析获得图像标签。随后，通过统...
from models import * 报错，找不到models的解决办法
weixin_43768963的博客
11-04 6531
from .models import * 在models 前加个点，引用当前目录下的models 转载自：https://blog.csdn.net/qq_27193479/article/details/79549054
识别一切（Tag2Text/RAM/RAM++）之RAM++论文详细阅读：Open-Set Image Tagging with Multi-Grained Text Supervision
小小帅
02-17 1628
在本文中，我们介绍了 Recognize Anything Plus Model（RAM++），这是一种有效利用多粒度文本监督的开放式图像标记模型。
Recognize Anything:一个强大的图像标记模型
deephub
09-15 3469
Recognize Anything是一种新的图像标记基础模型，与传统模型不同，它不依赖于手动注释进行训练;相反，它利用大规模的图像-文本对。RAM在多个基准测试中表现出令人印象深刻的零样本性能，并且优于CLIP和BLIP。它的性能甚至超过了完全监督的方法。
3 个令人惊艳的 AI 项目，开源了！
2301_78285120的博客
06-10 675
过去一周，从外界看，AI 貌似放缓了进步速度，但只有身处其中的人才能知道，AI 一直没有停下进化的脚步。以下是 GitHub 过去一周，诞生的多个实用的 AI 开源项目，今天给大家做下介绍。
实现批量自动文本标注（输出标签）代码复现
m0_74137224的博客
05-05 708
我们找到合适自己的IDE工具来对代码进行调试和分析，我这边演示的是用pycharm。这个是官方给的代码，我觉得是个坑，命令行参数不能这样子输入，要变成一整行去输入。选择和自己ucda版本相匹配的pytorch，我的cuda是11.8。输入下面这个命令之前，记得pytorch一定要先安装，不然会报错。然后创建一个文件夹，输入第二步方式二的命令，下载文件。目录加入到搜索路径中，使得你的程序能够正确地导入。然后记得激活在pycharm中的虚拟环境。直接把链接输入到浏览器中，会自动下载。根据下面的步骤，点击ok。
Grounded-SAM（最强Zero-Shot视觉应用）：本地部署及各个模块的全网最详细使用教程！
小小帅
02-18 5708
本篇文章主要对Grounded-SAM项目的部署以及使用进行讲解，目的是使读者可以直接参考文档去使用Grounded-SAM，而无需再去参考Github一步步自己去分析尝试（也算是我使用过程中的心得）。
【python GUI编码入门-21】如何用Tkinter创建一个记事本应用
木头大左的博客
11-08 94
在现代编程环境中，图形用户界面（GUI）应用程序的开发变得越来越重要。Python的Tkinter库是一个功能强大且易于使用的GUI工具包，非常适合初学者和有经验的开发者使用。本文将详细介绍如何使用Tkinter创建一个简易的记事本应用，涵盖从安装到实现各项功能的全过程。Tkinter是Python的标准GUI库，它提供了丰富的接口来创建窗口、对话框、按钮等常见的GUI组件。Tkinter具有良好的跨平台性，可以在Windows、Mac OS和Linux上运行。
自动化爬虫DrissionPage
最新发布
m0_55297736的博客
11-09 829
自动化爬虫DrissionPage
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TigerZ*

你点滴支持，我持续创作，羞羞

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值