Tensorflow(@CVision)

Открыть в 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

Больше

Иран21 674 Технологии и приложения8 596...

📈 Аналитический обзор Telegram-канала Tensorflow(@CVision)

Канал Tensorflow(@CVision) (@cvision) языкового сегмента Фарси является активным участником. Сейчас сообщество объединяет 15 002 подписчиков, занимая 8 596 место в категории Технологии и приложения и 21 674 место в регионе Иран.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 15 002 подписчиков.

Согласно последним данным от 30 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 14, а за последние 24 часа — -1, при этом общий охват остаётся высоким.

Статус верификации: Не верифицирован
Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 26.88%. В первые 24 часа после публикации контент обычно набирает 9.81% реакций от общего числа подписчиков.
Охват публикаций: В среднем каждый пост получает 4 033 просмотров. В течение первых суток публикация набирает 1 471 просмотров.
Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 26.
Тематические интересы: Контент сосредоточен на ключевых темах, таких как مدل, مصنوعی, llm, استدلال, مغز.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“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...”

Благодаря высокой частоте обновлений (последние данные получены 01 июля, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.

15 002

Подписчики

-124 часа

+237 дней

+1430 день

4 033

Просмотры поста

~ 1 47124 часа

~ 1 82048 часов

26.88%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Загрузка данных...

Похожие каналы

21.5K

DLeX: AI Python

5.1K

BigData Mining & OSINT

4.7K

Deep learning channel

2.7K

Machine learning application (Kartal)

2.6K

ذهن زیبا - A beautiful Mind

Больше каналов

Входящие и исходящие упоминания

---

Привлечение подписчиков

июнь '26

+104

в 1 каналах

май '26

+22

в 0 каналах

Get PRO

апрель '26

+22

в 0 каналах

Get PRO

март '26

в 0 каналах

Get PRO

февраль '26

+29

в 0 каналах

Get PRO

январь '26

+13

в 0 каналах

Get PRO

декабрь '25

+62

в 1 каналах

Get PRO

ноябрь '25

+281

в 22 каналах

Get PRO

октябрь '25

+201

в 14 каналах

Get PRO

сентябрь '25

+265

в 21 каналах

Get PRO

август '25

+284

в 16 каналах

Get PRO

июль '25

+165

в 3 каналах

Get PRO

июнь '25

+64

в 5 каналах

Get PRO

май '25

+236

в 9 каналах

Get PRO

апрель '25

+123

в 3 каналах

Get PRO

март '25

+164

в 10 каналах

Get PRO

февраль '25

+153

в 7 каналах

Get PRO

январь '25

+136

в 5 каналах

Get PRO

декабрь '24

+100

в 1 каналах

Get PRO

ноябрь '24

+247

в 4 каналах

Get PRO

октябрь '24

+353

в 10 каналах

Get PRO

сентябрь '24

+239

в 6 каналах

Get PRO

август '24

+250

в 6 каналах

Get PRO

июль '24

+230

в 7 каналах

Get PRO

июнь '24

+182

в 2 каналах

Get PRO

май '24

+1 045

в 16 каналах

Get PRO

апрель '24

+533

в 17 каналах

Get PRO

март '24

+364

в 3 каналах

Get PRO

февраль '24

+453

в 5 каналах

Get PRO

январь '24

+753

в 12 каналах

Get PRO

декабрь '23

+837

в 15 каналах

Get PRO

ноябрь '23

+416

в 17 каналах

Get PRO

октябрь '23

+223

в 9 каналах

Get PRO

сентябрь '23

+296

в 0 каналах

Get PRO

август '23

+226

в 0 каналах

Get PRO

июль '23

+144

в 0 каналах

Get PRO

июнь '23

+229

в 0 каналах

Get PRO

май '23

+135

в 0 каналах

Get PRO

апрель '23

+166

в 0 каналах

Get PRO

март '23

+189

в 0 каналах

Get PRO

февраль '23

+132

в 0 каналах

Get PRO

январь '23

+149

в 0 каналах

Get PRO

декабрь '22

+101

в 0 каналах

Get PRO

ноябрь '22

+124

в 0 каналах

Get PRO

октябрь '22

+132

в 0 каналах

Get PRO

сентябрь '22

+185

в 0 каналах

Get PRO

август '22

+231

в 0 каналах

Get PRO

июль '22

+180

в 0 каналах

Get PRO

июнь '22

+106

в 0 каналах

Get PRO

май '22

+347

в 0 каналах

Get PRO

апрель '22

+291

в 0 каналах

Get PRO

март '22

+74

в 0 каналах

Get PRO

февраль '22

+90

в 0 каналах

Get PRO

январь '22

+165

в 0 каналах

Get PRO

декабрь '21

+87

в 0 каналах

Get PRO

ноябрь '21

+208

в 0 каналах

Get PRO

октябрь '21

+140

в 0 каналах

Get PRO

сентябрь '21

+267

в 0 каналах

Get PRO

август '21

+103

в 0 каналах

Get PRO

июль '21

+167

в 0 каналах

Get PRO

июнь '21

+175

в 0 каналах

Get PRO

май '21

+213

в 0 каналах

Get PRO

апрель '21

+147

в 0 каналах

Get PRO

март '21

+87

в 0 каналах

Get PRO

февраль '21

+270

в 0 каналах

Get PRO

январь '21

+86

в 0 каналах

Get PRO

декабрь '20

+6 203

в 0 каналах

Дата	Привлечение подписчиков	Упоминания	Каналы
30 июня	+2
29 июня	+3
28 июня	+3
27 июня	+9
26 июня	+2
25 июня	+14
24 июня	+9
23 июня	+12
22 июня	+2
21 июня	+6
20 июня	+6
19 июня	0
18 июня	+6
17 июня	+1
16 июня	+9
15 июня	+1
14 июня	+3
13 июня	+1
12 июня	+3
11 июня	+5
10 июня	0
09 июня	0
08 июня	+1
07 июня	0
06 июня	0
05 июня	+4
04 июня	0
03 июня	0
02 июня	+1
01 июня	+1

Посты канала

🚀 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	1 429
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	1 602
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	1 326
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	1 418
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	1 358
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	1 747
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	2 195
9	مثلا صدای Andrew NG را کلون کردم... کاملا لوکال و بدون وب سرویس	2 284
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	2 431
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	2 124
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	2 264
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	2 597
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	5 360
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	4 248
20	https://sophon.at/papers	3 360

Посмотреть все записи