Roboflow Inference v0.46.0发布:多模态模型SmolVLM2与工作流增强
Roboflow Inference是一个开源的计算机视觉推理服务,它允许开发者在本地或云端轻松部署和运行各种计算机视觉模型。该项目提供了从目标检测到图像分类等多种视觉任务的解决方案,并支持与Roboflow平台的无缝集成。
多模态模型SmolVLM2的引入
本次发布的v0.46.0版本最引人注目的新特性是加入了SmolVLM2多模态视觉模型。SmolVLM2是由Hugging Face开发的一款轻量级多模态模型,相较于其他大型多模态模型,它在保持良好性能的同时,能够在资源有限的设备上高效运行。
SmolVLM2支持多种多模态任务,包括:
- 视觉问答(VQA):根据图像内容回答相关问题
- 文档OCR:从文档图像中提取文字信息
- 文档VQA:基于文档内容回答问题
- 对象计数:统计图像中特定对象的数量
开发者可以通过两种方式使用这一新模型:
-
在Roboflow工作流中直接使用:通过图形化界面将SmolVLM2集成到自定义的视觉处理流程中。
-
使用Python包调用:通过简单的Python代码即可实现模型调用,示例代码如下:
from PIL import Image
from inference.models.smolvlm.smolvlm import SmolVLM
smol_vlm = SmolVLM(api_key="API_KEY")
image = Image.open("dog.jpeg")
result = smol_vlm.predict(image, "How many dogs are in this image?")
print(result)
工作流功能增强
本次更新还对Roboflow工作流功能进行了增强,特别是Property Definition模块新增了UQL(Unified Query Language)操作,能够从视频帧中提取自视频开始以来的时间信息。这一功能对于视频分析任务尤为重要,例如:
- 计算特定事件发生的时间点
- 分析视频中对象运动的时序特征
- 构建基于时间戳的视频索引系统
性能优化与维护改进
除了新功能的加入,v0.46.0版本还包含了一系列性能优化和维护改进:
-
缓存优化:通过缓存'inspect'操作的结果,减少了重复计算的开销,提升了系统响应速度。
-
函数参数收集加速:对
collect_func_params
函数进行了优化,使其运行速度提升了约10%,这对于高频调用的核心函数来说意义重大。 -
批处理服务文档完善:更新了批处理服务的相关文档,使开发者能够更清晰地了解和使用这一功能。
-
执行时长统计:在性能基准测试中加入了执行时长的统计功能,方便开发者更全面地评估模型性能。
总结
Roboflow Inference v0.46.0版本的发布,为开发者带来了更强大的多模态处理能力和更高效的工作流工具。特别是SmolVLM2的加入,使得在资源受限环境下运行复杂的多模态任务成为可能。同时,各项性能优化和维护改进也进一步提升了系统的稳定性和易用性。
对于计算机视觉开发者而言,这些更新意味着能够构建更复杂、更高效的视觉应用,同时降低了对硬件资源的要求,拓宽了应用场景的范围。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









