Tensorflow(@CVision)

الذهاب إلى القناة على Telegram

اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2keras

📈 نظرة تحليلية على قناة تيليجرام Tensorflow(@CVision)

تُعد قناة Tensorflow(@CVision) (@cvision) في القطاع اللغوي Farsi لاعباً نشطاً. يضم المجتمع حالياً 15 001 مشتركاً، محتلاً المرتبة 8 596 في فئة التكنولوجيات والتطبيقات والمرتبة 21 674 في منطقة إيران.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 15 001 مشتركاً.

بحسب آخر البيانات بتاريخ 30 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 14، وفي آخر 24 ساعة بمقدار -1، مع بقاء الوصول العام مرتفعاً.

حالة التحقق: غير موثّقة
معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 26.88‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 9.81‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
وصول المنشورات: يحصل كل منشور على متوسط 4 033 مشاهدة. وخلال اليوم الأول يجمع عادةً 1 471 مشاهدة.
التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 26.
الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل مدل, مصنوعی, llm, استدلال, مغز.

📝 الوصف وسياسة المحتوى

يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2kera...”

بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 01 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

15 001

المشتركون

-124 ساعات

+237 أيام

+1430 أيام

4 033

عرض المشاهدات

~ 1 47124 ساعات

~ 1 82048 ساعات

26.88%

معدل المشاركة

لا توجد بيانات

المشاركات في اليوم

Ads index

beta

جاري تحميل البيانات...

القنوات المماثلة

32.2K

مجله هوش مصنوعی

5.1K

BigData Mining & OSINT

4.7K

Deep learning channel

4.0K

آکادمی ربوتک

2.7K

Machine learning application (Kartal)

قنوات أخرى

الإشارات الواردة والصادرة

---

جذب المشتركين

يوليو '26

في 0 قنوات

يونيو '26

+104

في 1 قنوات

Get PRO

مايو '26

+22

في 0 قنوات

Get PRO

أبريل '26

+22

في 0 قنوات

Get PRO

مارس '26

في 0 قنوات

Get PRO

فبراير '26

+29

في 0 قنوات

Get PRO

يناير '26

+13

في 0 قنوات

Get PRO

ديسمبر '25

+62

في 1 قنوات

Get PRO

نوفمبر '25

+281

في 22 قنوات

Get PRO

أكتوبر '25

+201

في 14 قنوات

Get PRO

سبتمبر '25

+265

في 21 قنوات

Get PRO

أغسطس '25

+284

في 16 قنوات

Get PRO

يوليو '25

+165

في 3 قنوات

Get PRO

يونيو '25

+64

في 5 قنوات

Get PRO

مايو '25

+236

في 9 قنوات

Get PRO

أبريل '25

+123

في 3 قنوات

Get PRO

مارس '25

+164

في 10 قنوات

Get PRO

فبراير '25

+153

في 7 قنوات

Get PRO

يناير '25

+136

في 5 قنوات

Get PRO

ديسمبر '24

+100

في 1 قنوات

Get PRO

نوفمبر '24

+247

في 4 قنوات

Get PRO

أكتوبر '24

+353

في 10 قنوات

Get PRO

سبتمبر '24

+239

في 6 قنوات

Get PRO

أغسطس '24

+250

في 6 قنوات

Get PRO

يوليو '24

+230

في 7 قنوات

Get PRO

يونيو '24

+182

في 2 قنوات

Get PRO

مايو '24

+1 045

في 16 قنوات

Get PRO

أبريل '24

+533

في 17 قنوات

Get PRO

مارس '24

+364

في 3 قنوات

Get PRO

فبراير '24

+453

في 5 قنوات

Get PRO

يناير '24

+753

في 12 قنوات

Get PRO

ديسمبر '23

+837

في 15 قنوات

Get PRO

نوفمبر '23

+416

في 17 قنوات

Get PRO

أكتوبر '23

+223

في 9 قنوات

Get PRO

سبتمبر '23

+296

في 0 قنوات

Get PRO

أغسطس '23

+226

في 0 قنوات

Get PRO

يوليو '23

+144

في 0 قنوات

Get PRO

يونيو '23

+229

في 0 قنوات

Get PRO

مايو '23

+135

في 0 قنوات

Get PRO

أبريل '23

+166

في 0 قنوات

Get PRO

مارس '23

+189

في 0 قنوات

Get PRO

فبراير '23

+132

في 0 قنوات

Get PRO

يناير '23

+149

في 0 قنوات

Get PRO

ديسمبر '22

+101

في 0 قنوات

Get PRO

نوفمبر '22

+124

في 0 قنوات

Get PRO

أكتوبر '22

+132

في 0 قنوات

Get PRO

سبتمبر '22

+185

في 0 قنوات

Get PRO

أغسطس '22

+231

في 0 قنوات

Get PRO

يوليو '22

+180

في 0 قنوات

Get PRO

يونيو '22

+106

في 0 قنوات

Get PRO

مايو '22

+347

في 0 قنوات

Get PRO

أبريل '22

+291

في 0 قنوات

Get PRO

مارس '22

+74

في 0 قنوات

Get PRO

فبراير '22

+90

في 0 قنوات

Get PRO

يناير '22

+165

في 0 قنوات

Get PRO

ديسمبر '21

+87

في 0 قنوات

Get PRO

نوفمبر '21

+208

في 0 قنوات

Get PRO

أكتوبر '21

+140

في 0 قنوات

Get PRO

سبتمبر '21

+267

في 0 قنوات

Get PRO

أغسطس '21

+103

في 0 قنوات

Get PRO

يوليو '21

+167

في 0 قنوات

Get PRO

يونيو '21

+175

في 0 قنوات

Get PRO

مايو '21

+213

في 0 قنوات

Get PRO

أبريل '21

+147

في 0 قنوات

Get PRO

مارس '21

+87

في 0 قنوات

Get PRO

فبراير '21

+270

في 0 قنوات

Get PRO

يناير '21

+86

في 0 قنوات

Get PRO

ديسمبر '20

+6 203

في 0 قنوات

التاريخ	نمو المشتركين	الإشارات	القنوات
01 يوليو	+2

منشورات القناة

🚀 معرفی Claude Sonnet 5 آنتروپیک از Claude Sonnet 5 رونمایی کرد؛ عامل‌محورترین مدل خانواده Sonnet تا امروز. 🔹 عملکردش به Opus 4.8 نزدیک شده، اما با قیمتی به‌مراتب پایین‌تر 🔹 پیشرفت محسوس نسبت به Sonnet 4.6 در استدلال، استفاده از ابزار‌، کدنویسی و کارهای دانش‌محور 🔹 از امروز در همه پلن‌ها در دسترسه؛ مدل پیش‌فرض پلن‌های Free و Pro، و در دسترس برای Max، Team و Enterprise 🔹 در Claude Code و Claude Platform هم فعاله؛ نام مدل برای API: claude-sonnet-5 💰 قیمت‌گذاری مقدماتی (تا 31 آگوست 2026): ورودی: $2 به ازای هر میلیون توکن خروجی: $10 به ازای هر میلیون توکن بعد از اون: $3 ورودی / $15 خروجی 🛡 ایمنی: نرخ رفتارهای نامطلوب نسبت به Sonnet 4.6 کاهش پیدا کرده و در زمینه‌های عامل‌محور (مثل مقاومت در برابر حملات prompt injection) ایمن‌تر شده. توانایی انجام کارهای سایبری خطرناک (مثل توسعه اکسپلویت) به‌طور قابل‌توجهی پایین‌تر از مدل‌های Opus هست. 📖 جزئیات کامل: https://www.anthropic.com/news/claude-sonnet-5 #Claude #Anthropic #AI #LLM

2	برای این مدل krea تازه منتشر شده یکی LoRA ترین کرده که بزارید کنار مدل تا تصاویر realistic درست کنه https://huggingface.co/gokaygokay/Krea-2-Realism-LoRA	1 646
3	📊 بهره‌وری توکن در Agent Arena بنچ مارک Agent Arena عملکرد ایجنت‌های هوش مصنوعی رو روی تسک‌های واقعی (نوشتن کد، ساخت اسلاید، تحقیق وب، توسعه اپ، تحلیل اسناد) با ابزارهای search، filesystem و terminal می‌سنجه. نکته کلیدی اینه که مصرف توکن بیشتر همیشه به کیفیت بهتر منجر نمی‌شه. این نمودار هر مدل را نشون می‌ده بهبود عملکرد (عمودی) در برابر میانه توکن مصرفی (افقی) — و یک خط روند کلی ترسیم می‌کنه. فاصله از این خط، بخش جالب ماجراست. یافته‌ها: ✅مدل Opus با توکن کمتر کیفیت بالاتری می‌ده. Fable با +۱۴.۱٪ بهترین کیفیت رو داره، در برابر +۹.۲٪ برای Opus 4.8 Thinking با مصرف توکن مشابه. ✅ هر سه مدل GPT-5.5 (بین +۶.۲٪ تا +۸.۶٪) بالای خط بهره‌وری قرار دارن، با توکن کمتر از مدل‌های پیشروی Claude. ✅ مدل GLM-5.2 با +۵.۱٪ تقریباً دقیق روی خط روند قرار می‌گیره. ⚠️ توکن مساوی بازده نیست: Gemini-3.5 Flash بیشترین توکن رو مصرف می‌کنه ولی فاصله زیادی تا فرانتیر داره، و Grok Build 0.1 با ۲۰هزار+ توکن، بهبود منفی نشون می‌ده. ⚠️ گوشه پایین-چپ (مصرف کم، بازده کم): Grok-4.3، Nemotron 3 Ultra و Gemma-4 31B. @cvision	1 910
4	روش MiCA جایگزین قدرتمند LoRA در Fine-tuning یه روش جدید به اسم MiCA یا (MinoCA Component Adaptation) به کتابخونه PEFT هاگینگ‌فیس اضافه شده و نتایجش چشمگیره. ایده اصلی تکنیک LoRA روی بخش‌هایی از مدل تمرکز می‌کنه که بیشترین استفاده رو دارن. MiCA برعکس عمل می‌کنه — روی فضاهای کمتر استفاده‌شده (minor singular subspace) تنظیم می‌کنه تا دانش جدید جذب بشه بدون اینکه دانش قبلی از بین بره. نتایج روی ۳ مدل مختلف: 📈 +۸۸٪ یادگیری دانش جدید نسبت به LoRA 🧠 -۱۹٪ فراموشی فاجعه‌بار (Catastrophic Forgetting) ⚡ -۸۳٪ پارامتر قابل آموزش استفاده ازش ساده‌ست. فقط یه خط تغییر کافیه: init_lora_weights="mica" کاربرد اصلی: به‌خصوص برای continued pretraining و domain adaptation — جایی که می‌خواید مدل دانش جدید یاد بگیره ولی توانایی‌های قبلیش رو حفظ کنه. 🔗 لینک‌ها: 📄 Paper (arXiv): https://arxiv.org/abs/2604.01694 🤗 HuggingFace: https://huggingface.co/papers/2604.01694 💻 PEFT Example & README: https://github.com/huggingface/peft/blob/main/examples/mica_finetuning/README.md	1 444
5	🖼️ Krea 2 Turbo مدل تولید تصویر اوپن‌سورس با ۱۲ میلیارد پارامتر مجپوعه Krea AI اولین مدل بومی خودش رو منتشر کرد و وزن‌ها رو هم اوپن‌سورس کرده. ✨ چرا جالبه؟ ▸ تولید تصویر ۲K در ~۲ ثانیه روی GPU معمولی ▸ فقط ۸ inference step، بدون CFG ▸ رتبه اول بین لب‌های مستقل در لیدربورد Artificial Analysis ▸ اختلاف تنها ۰.۱۴ امتیاز با GPT Image در style fidelity 🔗 لینک‌ها HuggingFace: https://huggingface.co/krea/Krea-2-Turbo GitHub: https://github.com/krea-ai/krea-2 گزارش تکنیکال: https://www.krea.ai/blog/krea-2-technical-report	1 467
6	🗂️ تبدیل اسناد به چانک‌های آماده برای RAG با Chunkr یه ابزار متن‌باز برای پردازش هوشمند اسناد؛ PDF، PowerPoint، Word و تصویر رو می‌گیره و خروجی ساختاریافته برای پایپ‌لاین‌های RAG و LLM تولید می‌کنه. ✅ تحلیل لایه‌بندی سند با OCR و Bounding Box ✅ خروجی HTML و Markdown ساختاریافته ✅ پردازش با مدل‌های Vision-Language ✅ Self-hosted با Docker Compose و پشتیبانی از LLMهای مختلف 🔗 مستندات: https://docs.chunkr.ai/pages/get-started/welcome 🐙 گیت‌هاب: https://github.com/lumina-ai-inc/chunkr #RAG #LLM #OpenSource #DocumentAI	1 410
7	سلام و درود خدمت دوستان و همراهان گرامی 🌱 با توجه به پیام‌هایی که اخیراً دریافت کرده‌ام، لازم دانستم توضیح کوتاهی ارائه کنم. در حال حاضر بنده در هیچ مؤسسه‌ای (چه به‌صورت حضوری و چه آنلاین) که ثبت‌نام دوره‌ای در این فصل داشته باشد، تدریس نمی‌کنم. برخی از مواردی که نام بنده در معرفی دوره‌ها یا صفحات مؤسسات درج شده، مربوط به همکاری‌های قبلی بوده است. همچنین چند موردی که دوستان ارسال کرده‌اند و دوره‌ای با عنوان مدرس «اخوان» معرفی شده بود، صرفاً تشابه اسمی داشته و ارتباطی با بنده ندارد. هدف از این پیام صرفاً شفاف‌سازی و جلوگیری از هرگونه سوءبرداشت است. از همراهی و توجه شما سپاسگزارم. با احترام علیرضا اخوان‌پور	1 877
8	پیاده سازی GraphRAG با Neo4j، Qdrant و Ollama اگه با RAG کار کرده باشید، می‌دونید که بزرگ‌ترین ضعفش اینه که فقط «تکه‌های متن» بازیابی می‌کنه و روابط بین موجودیت‌ها رو از دست میده. میشه گفت GraphRAG تا حد خوبی این مشکل رو حل می‌کنه متن خام رو به یه Knowledge Graph تبدیل می‌کنه و موقع retrieval، هم جستجوی معنایی داری، هم پیمایش روابط گراف. این پست یه پیاده‌سازی عملی ارائه میده: ▫️ابتدا LangExtract — استخراج خودکار موجودیت‌ها و روابط از متن ▫️سپس Neo4j — ذخیره گراف دانش و traversal روابط ▫️و Qdrant — جستجوی vector روی node های گراف ▫️سرو مدل هم Ollama — تمام مدل‌ها local، بدون نیاز به API خارجی جریان کار: متن خام ← استخراج entity/relation ← ذخیره در Neo4j ← embedding هر node در Qdrant ← query time: جستجوی vector + توسعه گراف + پاسخ با LLM https://medium.com/@manthapavankumar11/a-practical-graphrag-architecture-using-langextract-neo4j-qdrant-and-ollama-0e4c86908c41	2 345
9	مثلا صدای Andrew NG را کلون کردم... کاملا لوکال و بدون وب سرویس	2 343
10	for-anyone-interested-in-ai--i.wav	192
11	🎙 Voicebox این ستودیوی صوتی AI متن‌باز جایگزین رایگان ElevenLabs + WisprFlow در یک اپ تر تمیزه که روی کامپیوتر خودتون اجرا می‌شه: ✅ کلون صدا از چند ثانیه صوت ✅ ۷ موتور TTS (Qwen3، Chatterbox، Kokoro، ...) ✅ دیکته با hotkey در هر جای سیستم ✅ کاملاً Local — هیچ داده‌ای از دستگاه خارج نمی‌شه ⭐️ 23k \| MIT License ❌هنوز خودش فارسی را ساپورت نکرده، این که یه نفر خودش بخواد فاین تیون کنه یه حرف دیگست... 🔗 github.com/jamiepine/voicebox	2 504
12	فاین تیون کردن مدل‌های MoE با یه خط کد، ۳.۷ برابر سریع‌تر! اخیرا NVIDIA یه کتابخونه open-source معرفی کرده به اسم NeMo AutoModel که روی Transformers v5 هاگینگ‌فیس ساخته شده. فقط یه خط import عوض می‌شه: 🔹 تا ۳.۷ برابر throughput بالاتر 🔹 تا ۳۲٪ حافظه GPU کمتر 🔹 امکان fine-tune مدل ۵۵۰B که با Transformers خالص اصلاً در حافظه جا نمی‌شه سه تکنیک به کار برده: Expert Parallelism، DeepEP fused dispatch، و TransformerEngine kernels. اگه با مدل‌های MoE مثل Qwen3 یا DeepSeek کار می‌کنید، ارزش خوندن داره 👇 🔗 https://huggingface.co/blog/nvidia/accelerating-fine-tuning-nvidia-nemo-automodel	2 175
13	OpenKB یه ایده از Karpathy بود که خیلی‌ها ازش رد شدن — ولی یه تیم رفت پیاده‌ش کرد! ایده اینه: به جای اینکه LLM هر بار سند رو بخونه و جواب بده، یه بار همه چیز رو compile کنه و نتیجه رو نگه داره. RAG معمولی چه مشکلی داره؟ هر query از صفر شروع می‌کنه. هیچی جمع نمی‌شه. ارتباط بین اسناد پیدا نمی‌شه. تناقض‌ها دیده نمی‌شن. اما OpenKB یه بار اسنادت رو می‌خونه و تبدیل می‌کنه به یه ویکی ساختاریافته — خلاصه، صفحات مفهومی، entities (افراد، سازمان‌ها، محصولات) و لینک‌های متقاطع بین همه چیز. دانش تجمیع می‌شه، نه اینکه هر بار از نو کشف بشه. قابلیت Skill Factory از ویکیت می‌تونی یه agent skill بسازی — یه فایل portable که Claude Code، Codex یا Gemini CLI می‌تونن مستقیم load کنن و ازش استفاده کنن. مثلاً ۲۰ تا پیپر درباره‌ی attention بهش می‌دی، یه متخصص transformer می‌سازی که agent دیگه‌ات می‌تونه ازش بخواد. سایر امکانات: - ورودی: PDF، Word، PPT، Excel، HTML، URL و... - اسناد بلند رو بدون Vector DB مدیریت می‌کنه (با PageIndex) - تصویر و جدول رو هم می‌فهمه - ویکی خروجی کاملاً با Obsidian باز می‌شه 🔗 github.com/VectifyAI/OpenKB	2 307
14	مدل جدید Gemma4-12B Agentic v2 — یه ایجنت کدنویسی کامل روی سخت‌افزار شخصی یه fine-tune قوی روی Gemma 4 12B که تمرکزش روی کدنویسی + استفاده از ابزار + کارهای چندمرحله‌ای (agentic) هست. 📊 عملکرد روی بنچمارک ایجنتیک (tau2-bench telecom): \| مدل \| امتیاز \| \|---\|---\| \| Gemma 4 12B-it (پایه) \| ~۱۵٪ \| \| این مدل (v2) \| ~۵۵٪ \| ➡️ تقریباً ۳.۵ برابر بهتر از مدل پایه در تسک‌های ایجنتیک مدل پایه معمولاً توی تسک‌های چندمرحله‌ای زود تسلیم می‌شه و کار رو به انسان واگذار می‌کنه. این مدل یاد گرفته مثل یه دولوپر واقعی عمل کنه: read → reason → act → verify یعنی اول state رو بررسی می‌کنه، بعد تشخیص می‌ده، بعد fix می‌زنه، و در نهایت نتیجه رو verify می‌کنه — بدون hallucinate کردن مسیرها یا توابع ناموجود. 📦 سایزهای GGUF موجود: - Q3_K_M → 5.7 GB (مناسب GPU های 8GB) - Q4_K_M → 6.87 GB ✅ پیشنهادی - Q6_K → 9.11 GB - Q8_0 → 11.8 GB ⚡ اجرا با Ollama: ollama run hf.co/yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF:Q4_K_M --- ⚠️ نکات مهم: - لایسنس Apache 2.0 (آزاد برای استفاده تجاری) - بهینه برای کدنویسی و کارهای ایجنتیک — نه دانش عمومی - safety alignment کمتری داره، برای production باید guardrail اضافه کنید 🔗 https://huggingface.co/yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF	2 705
15	🔍 Agentic Resource Discovery (ARD) یه استاندارد جدید و باز از Hugging Face (با همکاری Microsoft، Google، GoDaddy و دیگران) که لایه‌ی discovery رو برای ایجنت‌ها حل می‌کنه. مشکل امروز اینه که ایجنت‌ها باید همه چیز رو از قبل بدونن — URL سرور MCP رو hardcode کنی، ابزارها رو از قبل install کنی، و همه چیز static باشه. با بزرگ‌شدن اکوسیستم، این روش دیگه scale نمی‌ده. ARD چی می‌کنه؟ — هر publisher یه فایل ai-catalog.json رو در یه مسیر well-known روی دامنه‌ش منتشر می‌کنه — رجیستری‌ها اون رو ایندکس می‌کنن — ایجنت به‌جای hardcode کردن، با intent جستجو می‌کنه و capability مناسب رو پیدا می‌کنه # نمونه با HF CLI hf discover search "Fine tune a language model" hf discover search "Generate an image" --kind mcp Hugging Face یه reference implementation به اسم Discover Tool ارائه داده که به هزاران Skills، MCP Server و Spaces دسترسی می‌ده — و از طریق MCP هم قابل استفاده‌ست: https://huggingface-hf-discover.hf.space/mcp در واقع ARD مثل DNS برای ایجنت‌هاست — به‌جای اینکه بدونی کجا بری، بگی چی می‌خوای. 🔗 مستندات: agenticresourcediscovery.org	3 156
16	در هاگینگ فیس هم اضافه شد https://huggingface.co/baidu/Unlimited-OCR	2 735
17	🔍 Unlimited-OCR از Baidu یه مدل OCR قدرتمند از بایدو که یک قدم جلوتر از DeepSeek-OCR حرکت کرده. قابلیت پارس تک‌شات اسناد طولانی (Long-horizon Parsing) رو داره — تصویر، چند صفحه، یا PDF کامل رو یه‌جا پردازش می‌کنه. پشتیبانی از Transformers و SGLang، و خروجی ساختاریافته با کیفیت بالا. 🔗 github.com/baidu/Unlimited-OCR	3 060
18	🔇 گوگل بی‌سروصدا یک هوش مصنوعی منتشر کرد که الگوها را پیش‌بینی می‌کند فروش. قیمت بازار. ترافیک وب. تقاضای انرژی. نوسانات کریپتو. مدل جدید منتشر شده TimesFM : ← روی ۱۰۰ میلیارد داده واقعی آموزش دیده ← پیش‌بینی zero-shot، بدون نیاز به fine-tune ← روی سیستم شما اجرا می‌شود. کاملاً رایگان و متن‌باز 🔗 لینک	5 389
19	مدل RF-DETR — ترنسفورمر جدید Roboflow برای تشخیص و سگمنتیشن real-time گروه Roboflow مدل RF-DETR را به کتابخانه 🤗 Transformers اضافه کرد؛ یک معماری مبتنی بر ترنسفورمر که ادعا می‌کند هم در Object Detection و هم در Instance Segmentation از YOLO پیشی می‌گیرد. چی داره؟ مجموعه‌ای کامل از سایزهای مختلف برای هر دو تسک: 🔍 تشخیص شیء: nano / small / medium / large / base ✂️ سگمنتیشن: nano / small / medium / large / xlarge / xxlarge چرا جالبه؟ مستقیماً در transformers قابل استفاده‌ست دموی real-time با وبکم روی HuggingFace Spaces موجوده معماری بر اساس Neural Architecture Search طراحی شده (مقاله: RF-DETR) تست آنلاین: 🔗 huggingface.co/spaces/huggingface-projects/rf-detr-realtime-webcam مدل‌ها: 🔗 huggingface.co/Roboflow/models	4 281
20	https://sophon.at/papers	3 380

عرض جميع المنشورات