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。
在你标出几个示例之后,数出图片里某个物体的所有实例,不需要重新训练,也没有固定的类别清单。适合研究人员和想数照片里物品的人。
GeCo2 Object Counting 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 jerpelhan/GECO2-demo --repo-type space --local-dir GECO2-demo cd GECO2-demo
GeCo2 数图片里的物体。你标出几个你关心的那种东西的例子,它就找出并数出图像里每一个匹配的实例。它不需要固定的物体类别清单,也不需要重新训练。这个 Space 是 GeCo2 模型的 Gradio 演示,基于更早的一个叫 CountGD 的计数演示。
它适合研究小样本计数的研究人员,也适合要数少见物体、又缺少标注数据的人。
| Industry | Who uses it | How they use it | Example |
|---|---|---|---|
| 零售与库存 | 库存人员 | 数照片里显示的物品 | 标出货架上的一个盒子,再数其余的 |
| 农业 | 种植者和农艺师 | 数图像里的植物或水果 | 标出两个果子,再数树的照片里其余的 |
| 实验室工作 | 技术人员 | 在没有训练好的计数器时数小物体 | 标出几个样本,再数图片里所有相似的 |
| 研究 | 计算机视觉研究人员 | 在新的物体类型上试用小样本计数 | 比较选不同示例得到的数量 |
如果你想要一个不需要示例的计数器,可以跳过它,因为这个要你标出几个。
| Use case | Who | What they get back |
|---|---|---|
| 数照片里的物体 | 手上有图片的人 | 找出并数出所有匹配的实例 |
| 探索新类别 | 研究人员 | 不用训练新模型就得到一个快速的计数 |
| 阅读代码 | 开发者 | 一个带有 SAM 2 和 Deformable-DETR 文件夹的仓库 |
在线版本什么都不用准备。要在自己的电脑上运行副本,你需要下面这些。
pip install -U huggingface_hub hf download jerpelhan/GECO2-demo --repo-type space --local-dir GECO2-demo cd GECO2-demo pip install gradio==5.50.0 pip install -r requirements.txt python demo_gradio.py
上传一张图像,再标出几个你想数的物体的例子。GeCo2 会把这个概念铺到整张图上,并数出匹配的数量。来源没有描述具体的控件,所以请照着页面上的标签操作。
python demo_gradio.py
你上传一张一碗橙子的照片,标出其中两三个作为示例。这个 Space 会返回检测出匹配橙子的照片,你就能读出一共有多少个。来源没有给出准确率数字。
如果你是新手,挑一张里面有很多相似物体、且看得清楚的图片,标出两三个干净的示例。如果第一次的数量看起来不对,就再多加一个示例。
如果你熟悉这个领域,GeCo2 从少量示例中学出目标,不需要固定的类别清单,再把它用到整张图上来检测和计数。这个 Space 列出了四种 SAM 2 Hiera 尺寸,从 tiny 到 large,运行在 zero-a10g 硬件上。论文里关于尺度变化和多种领域的说法,是作者自己的。
来源是一个演示页面,所以没有描述速度和准确率的限制。
在你标出几个示例之后,数出图片里某个物体的所有实例,不需要重新训练,也没有固定的类别清单。适合研究人员和想数照片里物品的人。
由 jerpelhan 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:GeCo2 数图片里的物体。你标出几个你关心的那种东西的例子,它就找出并数出图像里每一个匹配的实例。它不需要固定的物体类别清单,也不需要重新训练。这个 Space 是 GeCo2 模型的 Gradio 演示,基于更早的一个叫 CountGD 的计数演示。
适合谁:它适合研究小样本计数的研究人员,也适合要数少见物体、又缺少标注数据的人。
Industry | Who uses it | How they use it | Example
零售与库存 | 库存人员 | 数照片里显示的物品 | 标出货架上的一个盒子,再数其余的
农业 | 种植者和农艺师 | 数图像里的植物或水果 | 标出两个果子,再数树的照片里其余的
实验室工作 | 技术人员 | 在没有训练好的计数器时数小物体 | 标出几个样本,再数图片里所有相似的
研究 | 计算机视觉研究人员 | 在新的物体类型上试用小样本计数 | 比较选不同示例得到的数量
如果你想要一个不需要示例的计数器,可以跳过它,因为这个要你标出几个。
用在哪里:
Use case | Who | What they get back
数照片里的物体 | 手上有图片的人 | 找出并数出所有匹配的实例
探索新类别 | 研究人员 | 不用训练新模型就得到一个快速的计数
阅读代码 | 开发者 | 一个带有 SAM 2 和 Deformable-DETR 文件夹的仓库
如何设置:在线版本什么都不用准备。要在自己的电脑上运行副本,你需要下面这些。
pip install -U huggingface_hub
hf download jerpelhan/GECO2-demo --repo-type space --local-dir GECO2-demo
cd GECO2-demo
pip install gradio==5.50.0
pip install -r requirements.txt
python demo_gradio.py
如何使用:上传一张图像,再标出几个你想数的物体的例子。GeCo2 会把这个概念铺到整张图上,并数出匹配的数量。来源没有描述具体的控件,所以请照着页面上的标签操作。
python demo_gradio.py
示例:你上传一张一碗橙子的照片,标出其中两三个作为示例。这个 Space 会返回检测出匹配橙子的照片,你就能读出一共有多少个。来源没有给出准确率数字。
新手与专家:如果你是新手,挑一张里面有很多相似物体、且看得清楚的图片,标出两三个干净的示例。如果第一次的数量看起来不对,就再多加一个示例。
如果你熟悉这个领域,GeCo2 从少量示例中学出目标,不需要固定的类别清单,再把它用到整张图上来检测和计数。这个 Space 列出了四种 SAM 2 Hiera 尺寸,从 tiny 到 large,运行在 zero-a10g 硬件上。论文里关于尺度变化和多种领域的说法,是作者自己的。
你上传一张图像
你标出几个示例物体
GeCo2 把概念铺到整张图上
匹配的物体被检测并计数
注意事项:来源是一个演示页面,所以没有描述速度和准确率的限制。
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 |
|---|---|---|---|---|
| GeCo2 Object Counting 本页 | 11 | 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。