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。
用一个处理点集的 Transformer 预测多个刚体如何运动和碰撞,并把它的推演结果和模拟器的真实结果放在一起显示。适合物理和机器学习研究者。
RigidFormer 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 hugging-apps/rigidformer --repo-type space --local-dir rigidformer cd rigidformer
RigidFormer 是一个以物体为中心的 Transformer 的演示,它从点集出发,不用网格,学习多个刚体如何运动。它把预训练模型预测的运动和模拟器自己的真实结果并排显示。
应用可以推演来自 MOVi 数据的留出测试场景,也可以推演随机生成的新场景。它提供 1、5 和 10 三种步长,以及三个预训练模型:MOVi-Sphere、MOVi-A 和 MOVi-B。
适合物理学习、机器人和仿真领域的研究者,想把学出来的动力学和真实仿真放在一起看。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 研究 | 机器学习研究者 | 检查学习得到的刚体推演 | 把一次推演和真实结果对比 |
| 机器人 | 仿真工程师 | 看学出来的模型如何处理碰撞 | 运行一个随机的新场景 |
| 教育 | 物理和机器学习学生 | 了解学习型模拟器做什么 | 切换步长并观察变化 |
如果你需要通用的物理引擎,可以跳过它,因为这个模型覆盖的是 MOVi 设置里的刚体。
| 用例 | 谁用 | 得到什么 |
|---|---|---|
| 对比真实结果 | 研究人员 | 和模拟器结果并排的一次推演 |
| 试一个新场景 | 开发者 | 在随机生成的场景上的推演 |
| 测试步长 | 学生 | 步长为 1、5 和 10 的推演 |
pip install -U huggingface_hub hf download hugging-apps/rigidformer --repo-type space --local-dir rigidformer cd rigidformer pip install gradio==6.31.0 pip install -r requirements.txt python app.py
在浏览器里打开这个 Space 的页面,或者用下面的命令启动你自己的副本。选一个预训练模型,选择测试场景或随机场景,设置步长并运行推演。
python app.py
你选择 MOVi-A 模型和一个步长为 5 的留出测试场景。演示会把预测的运动和模拟器的真实结果并排显示,让你看到它们在哪里不同。
如果你刚接触学习型模拟器,选一个测试场景,并排看两次推演。步长越大,两次预测之间跳过的时间越多。
如果你懂这个领域,模型把每个物体看作一组点,用 Transformer 预测运动,所以不需要网格。代码来自作者的仓库,原样使用。一个小的 PyTorch 替代实现取代了 flash attention 函数。
用一个处理点集的 Transformer 预测多个刚体如何运动和碰撞,并把它的推演结果和模拟器的真实结果放在一起显示。适合物理和机器学习研究者。
由 hugging-apps 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:RigidFormer 是一个以物体为中心的 Transformer 的演示,它从点集出发,不用网格,学习多个刚体如何运动。它把预训练模型预测的运动和模拟器自己的真实结果并排显示。
应用可以推演来自 MOVi 数据的留出测试场景,也可以推演随机生成的新场景。它提供 1、5 和 10 三种步长,以及三个预训练模型:MOVi-Sphere、MOVi-A 和 MOVi-B。
适合谁:适合物理学习、机器人和仿真领域的研究者,想把学出来的动力学和真实仿真放在一起看。
行业 | 谁在用 | 怎么用 | 例子
研究 | 机器学习研究者 | 检查学习得到的刚体推演 | 把一次推演和真实结果对比
机器人 | 仿真工程师 | 看学出来的模型如何处理碰撞 | 运行一个随机的新场景
教育 | 物理和机器学习学生 | 了解学习型模拟器做什么 | 切换步长并观察变化
如果你需要通用的物理引擎,可以跳过它,因为这个模型覆盖的是 MOVi 设置里的刚体。
用在哪里:
用例 | 谁用 | 得到什么
对比真实结果 | 研究人员 | 和模拟器结果并排的一次推演
试一个新场景 | 开发者 | 在随机生成的场景上的推演
测试步长 | 学生 | 步长为 1、5 和 10 的推演
如何设置:
pip install -U huggingface_hub
hf download hugging-apps/rigidformer --repo-type space --local-dir rigidformer
cd rigidformer
pip install gradio==6.31.0
pip install -r requirements.txt
python app.py
如何使用:在浏览器里打开这个 Space 的页面,或者用下面的命令启动你自己的副本。选一个预训练模型,选择测试场景或随机场景,设置步长并运行推演。
python app.py
示例:你选择 MOVi-A 模型和一个步长为 5 的留出测试场景。演示会把预测的运动和模拟器的真实结果并排显示,让你看到它们在哪里不同。
新手与专家:如果你刚接触学习型模拟器,选一个测试场景,并排看两次推演。步长越大,两次预测之间跳过的时间越多。
如果你懂这个领域,模型把每个物体看作一组点,用 Transformer 预测运动,所以不需要网格。代码来自作者的仓库,原样使用。一个小的 PyTorch 替代实现取代了 flash attention 函数。
你选择模型、场景和步长
场景和网格从 Hub 下载
Transformer 预测刚体运动
推演结果和真实结果并排显示
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 4 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 |
|---|---|---|---|---|
| RigidFormer 本页 | 1 | gradio | mit | |
| TabArena共有 mcp-server · gradio | 222 | gradio | apache-2.0 | |
| Recommend Similar Papers共有 mcp-server · gradio | 201 | gradio | mit | |
| 4DAnyone Multi-View Video共有 mcp-server · gradio | 47 | gradio | apache-2.0 | |
| PRISM Image to 3D共有 mcp-server · gradio | 6 | gradio | apache-2.0 | |
| ModelScope Text To Video共有 mcp-server · gradio | 1 | gradio | cc-by-nc-4.0 |
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。