anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
给出失真图像与参考图像的差异分数,并用透镜叠加图显示差异所在。适合想在浏览器里试用 JLD 指标的图像质量研究者。
JLD 感知距离 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo cd JLD-demo
这个演示给失真图像和参考图像之间的差距打分。你上传一对对齐的图像,选择 JLD 或 JLD-fast,就会得到一个距离数值,外加一张局部透镜响应的叠加图。数值越低,两张图看起来越相似。
如果你是比较图像质量的研究者或工程师,想在用它的 Python 包之前先试试 JLD 指标,它就适合你。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 图像研究 | 质量指标研究者 | 在图像对上试用感知距离 | 给一张参考图和它的失真副本打分 |
| 视频与成像 | 编解码和处理流程工程师 | 检查某个处理步骤如何改变图像 | 把源帧和处理后的帧做比较 |
| 机器学习 | 模型开发者 | 评判修复或生成模型的输出 | 把结果图和目标图打分 |
| 教学 | 讲师 | 演示指标如何对失真作出反应 | 一起上传一对图像并读叠加图 |
如果你的图像没有对齐或尺寸不同,可以跳过它,因为这个指标需要对齐的图像对。
| 使用场景 | 谁用 | 得到什么 |
|---|---|---|
| 给图像对打分 | 研究者 | 一个距离值,图像越相似数值越低 |
| 查看差异所在 | 工程师 | 一张局部透镜响应的叠加图 |
| 按原尺寸打分 | 开发者 | 通过本地包得到原始分辨率的分数 |
pip install -U huggingface_hub hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo cd JLD-demo pip install gradio==6.29.1 pip install -r requirements.txt python app.py
README 还给出了用 uv 运行这个 Space 检出目录的办法。
uv run --python 3.12 --with-requirements requirements.txt app.py
上传参考图像和失真图像,选择 JLD 或 JLD-fast,然后运行。两张图必须对齐且尺寸相同。每张图最多 24 百万像素,长边最多 8192 像素,文件最大 10 MB。要对更大的图像按原始分辨率打分,请在 Python 里用本地包。
from jld import JLD
metric = JLD.pretrained("full")
distance = metric("reference.png", "distorted.png")上传一张参考照片和一张压缩过的副本,选 JLD 并运行。你会得到一个距离值和一张透镜响应叠加图,结果里还会列出原始、缩放后和实际打分的尺寸。
如果你是新手,先上传同一张图的两个版本,其中一个稍作改动,然后读数值。数值越低,说明它们看起来越相似。
如果你熟悉这个领域,这个演示是作者做的、建立在 Jacobian 透镜上的感知距离的交互版本。默认情况下,大尺寸图像对会通过同一个 Lanczos 滤波器整体缩小,以符合托管的限制。报告的分数针对的是缩小后的图像对。有一个复选框可以关掉缩小,要求使用原始分辨率。叠加图不含全局 CLS 项,并且对每一对单独归一化。
给出失真图像与参考图像的差异分数,并用透镜叠加图显示差异所在。适合想在浏览器里试用 JLD 指标的图像质量研究者。
由 shreshthsaini 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:这个演示给失真图像和参考图像之间的差距打分。你上传一对对齐的图像,选择 JLD 或 JLD-fast,就会得到一个距离数值,外加一张局部透镜响应的叠加图。数值越低,两张图看起来越相似。
适合谁:如果你是比较图像质量的研究者或工程师,想在用它的 Python 包之前先试试 JLD 指标,它就适合你。
行业 | 谁在用 | 怎么用 | 例子
图像研究 | 质量指标研究者 | 在图像对上试用感知距离 | 给一张参考图和它的失真副本打分
视频与成像 | 编解码和处理流程工程师 | 检查某个处理步骤如何改变图像 | 把源帧和处理后的帧做比较
机器学习 | 模型开发者 | 评判修复或生成模型的输出 | 把结果图和目标图打分
教学 | 讲师 | 演示指标如何对失真作出反应 | 一起上传一对图像并读叠加图
如果你的图像没有对齐或尺寸不同,可以跳过它,因为这个指标需要对齐的图像对。
用在哪里:
使用场景 | 谁用 | 得到什么
给图像对打分 | 研究者 | 一个距离值,图像越相似数值越低
查看差异所在 | 工程师 | 一张局部透镜响应的叠加图
按原尺寸打分 | 开发者 | 通过本地包得到原始分辨率的分数
如何设置:
pip install -U huggingface_hub
hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo
cd JLD-demo
pip install gradio==6.29.1
pip install -r requirements.txt
python app.py
README 还给出了用 uv 运行这个 Space 检出目录的办法。
uv run --python 3.12 --with-requirements requirements.txt app.py
如何使用:上传参考图像和失真图像,选择 JLD 或 JLD-fast,然后运行。两张图必须对齐且尺寸相同。每张图最多 24 百万像素,长边最多 8192 像素,文件最大 10 MB。要对更大的图像按原始分辨率打分,请在 Python 里用本地包。
from jld import JLD
metric = JLD.pretrained("full")
distance = metric("reference.png", "distorted.png")
示例:上传一张参考照片和一张压缩过的副本,选 JLD 并运行。你会得到一个距离值和一张透镜响应叠加图,结果里还会列出原始、缩放后和实际打分的尺寸。
新手与专家:如果你是新手,先上传同一张图的两个版本,其中一个稍作改动,然后读数值。数值越低,说明它们看起来越相似。
如果你熟悉这个领域,这个演示是作者做的、建立在 Jacobian 透镜上的感知距离的交互版本。默认情况下,大尺寸图像对会通过同一个 Lanczos 滤波器整体缩小,以符合托管的限制。报告的分数针对的是缩小后的图像对。有一个复选框可以关掉缩小,要求使用原始分辨率。叠加图不含全局 CLS 项,并且对每一对单独归一化。
你上传一对对齐的图像
大尺寸图像对默认一起缩小
应用用 JLD 或 JLD-fast 给图像对打分
你得到距离值和透镜叠加图
注意事项:
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 5 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| JLD 感知距离 本页 | 2 | gradio | mit | |
| Open VLM Leaderboard共有 gradio | 1,034 | gradio | apache-2.0 | |
| Face Swap共有 gradio | 808 | gradio | cc-by-nc-sa-4.0 | |
| TTS Spaces Arena共有 gradio | 493 | gradio | zlib | |
| Depth Anything 3共有 gradio | 490 | gradio | cc-by-nc-4.0 | |
| BLIP共有 gradio | 431 | gradio | bsd-3-clause |
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
AbdomenAtlas · 工具包
在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。
dBenf · 工具包
回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。
zimmerk4 · 工具包
用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。