Exécutez ComfyUI SD3 En Un Clic ! Un Ensemble De Données D'évaluation Médicale VQA À Grande Échelle Est Lancé, Couvrant Plus De 20 Organes Et Parties Humains
Afin de promouvoir davantage la popularisation de l'IA4S, HyperAI a planifié la série de programmes de diffusion en direct « Meet AI4S ».La première diffusion en direct sera lancée à 19h00 le 17 juillet !Nous avons invité Ding Jiale, doctorant en télédétection et systèmes d'information géographique à l'Université du Zhejiang. Son sujet est « Les réseaux neuronaux fournissent de nouvelles explications à l’hétérogénéité spatiale des prix de l’immobilier ». Venez prendre rendez-vous pour la diffusion en direct~
https://www.huodongxing.com/event/2762111401922
Du 8 au 12 juillet, le site officiel hyper.ai est mis à jour :
* Ensembles de données publiques de haute qualité : 10
* Sélection de tutoriels de haute qualité : 3
* Sélection d'articles communautaires : 5 articles
* Entrées d'encyclopédie populaire : 5
* Principales conférences avec date limite en juillet : 2
Visitez le site officiel :hyper.ai
Ensembles de données publiques sélectionnés
1. Ensemble de données d'évaluation médicale à grande échelle OmniMedVQA
Cet ensemble de données se concentre sur l’évaluation des questions-réponses visuelles à grande échelle dans le domaine médical. Il contient 118 010 images différentes, couvrant 12 modalités différentes et impliquant plus de 20 organes et parties différents du corps humain. Il vise à fournir une référence d’évaluation pour le développement de grands modèles médicaux multimodaux.
Utilisation directe :https://go.hyper.ai/vafuu
2. Ensemble de données de dialogue et de définition de rôle de personnage évolutif
L'ensemble de données contient des paramètres et des données de dialogue de 200 caractères, générés par GPT3.5 et GPT4.
Utilisation directe :https://go.hyper.ai/IwTIW
3. Ensemble de données de raisonnement de bon sens du grand modèle HellaSwag
L'ensemble de données HellaSwag contient 70 000 questions très faciles pour les humains (précision de plus de 95%) mais difficiles pour les modèles (précision d'environ 48%). Cet ensemble de données vise à explorer les performances des modèles pré-entraînés en profondeur dans le raisonnement de bon sens en construisant un ensemble de données qui constitue un défi pour les modèles de pointe existants.
Utilisation directe :https://go.hyper.ai/4WJGQ
4. Ensemble de données de réglage fin d'instructions multilingues multi-tours M2Lingual
L'ensemble de données couvre 70 langues différentes, fournit davantage de données de formation pour les langues à faibles ressources et contient un total de 182 000 paires de réglages fins d'instructions, visant à améliorer les performances des grands modèles de langage dans le suivi des instructions, en particulier sur diverses langues et tâches.
Utilisation directe :https://go.hyper.ai/1AY34
5. Ensemble de données d'informations sur les animes populaires MyAnimeList
Cet ensemble de données contient des informations sur les anime populaires collectées à partir du site Web MyAnimeList. Il comprend divers attributs qui décrivent chaque anime en détail et peuvent être utilisés pour analyser et étudier les tendances des anime, les notes et d'autres facteurs connexes.
Utilisation directe :https://go.hyper.ai/mU04c
6. Ensemble de données d'alignement de haute qualité filtré Magpie-Pro-300K
Cet ensemble de données est un ensemble de données d'instructions de haute qualité synthétisé à l'aide de la méthode Magpie, extrait de Llama-3 70B. Cet ensemble de données contient environ 300 000 conversations de haute qualité, générées via un processus d'auto-synthèse automatisé qui exploite les propriétés autorégressives des LLM alignés pour générer des requêtes utilisateur et des réponses correspondantes.
Utilisation directe :https://go.hyper.ai/YTDxI
7. Ensemble de données vidéo-texte en anglais Vript
L'ensemble de données contient 12 000 vidéos annotées avec plus de 420 000 clips au total. Chaque segment de l’ensemble de données Vript est accompagné d’une légende d’environ 145 mots.
Utilisation directe :https://go.hyper.ai/7o2Ca
L'ensemble de données contient un ensemble d'entraînement de 1 920 images et un ensemble de test de 480 images avec un total de 664 487 arbres, avec une moyenne de 276 arbres par image.
Utilisation directe :https://go.hyper.ai/zTo63
9. AdaTreeFormer-London Ensemble de données de détection d'arbres haute résolution à Londres
L'ensemble de données couvre une variété d'environnements urbains et résidentiels avec une densité d'arbres élevée et différentes formes et tailles d'arbres. L'ensemble d'entraînement de 452 images et l'ensemble de test de 161 images contiennent un total de 95 067 arbres, avec une moyenne de 155 arbres par image.
Utilisation directe :https://go.hyper.ai/iVHO1
10. AdaTreeFormer-Yoesmite Ensemble de données de détection d'arbres haute résolution de Yosemite
L'ensemble de données couvre principalement les zones montagneuses boisées avec une faible densité d'arbres et un terrain complexe. Il contient un ensemble d'entraînement de 1 350 images avec un total de 98 949 arbres et un ensemble de test de 1 350 images. Chaque image contient en moyenne 36 arbres, offrant un environnement de test important pour les performances du modèle sur un terrain complexe.
Utilisation directe :https://go.hyper.ai/ic1bO
Pour plus d'ensembles de données publics, veuillez visiter :
Tutoriels publics sélectionnés
YOLOv10 est une méthode de détection de cibles en temps réel développée par des chercheurs de l'Université Tsinghua sur la base du package Python Ultralytics, qui vise à combler les lacunes des versions précédentes de YOLO en matière de post-traitement et d'architecture de modèle. Dans ce tutoriel, vous pouvez démarrer la détection de cible immédiatement en clonant en un clic sans entrer aucune commande.
Exécutez en ligne :https://go.hyper.ai/vtjgs
2. Démonstration de conversion d'image img2img-turbo
img2img-turbo est un modèle de traduction d'image à image efficace conçu pour un transfert efficace de contenu visuel. Il peut facilement donner des couleurs riches à des images monochromes ou transformer de simples croquis en images réalistes. Ce tutoriel fournit une démonstration intuitive du modèle. En quelques coups de pinceau, vous pourrez découvrir la joie de devenir un maître peintre !
Exécutez en ligne :https://go.hyper.ai/Ms5zH
3. Tutoriel en ligne sur le flux de travail ComfyUI StableDiffusion3
Stable Diffusion 3 est un modèle de transformateur de diffusion multimodal (MMDiT) spécialement conçu pour convertir des descriptions de texte en images. Il excelle dans la génération d'images de haute qualité, la gestion de mises en page complexes et l'analyse d'indices complexes. Ce tutoriel montre comment déployer et utiliser Stable Diffusion 3 via le workflow ComfyUI. Clonez simplement le conteneur et vous pourrez facilement démarrer et exécuter le modèle via l'interface API.
Exécutez en ligne :https://go.hyper.ai/sEQCW
Articles de la communauté
Le groupe de recherche de Zhang Qiangfeng à l'Université Tsinghua a développé SPACE, un algorithme d'intelligence artificielle basé sur le cadre d'apprentissage en profondeur de l'autoencodeur graphique, qui peut identifier les types de cellules spatiales et découvrir des modules tissulaires à partir de données de transcriptome spatial avec une résolution unicellulaire. SPACE surpasse clairement les autres outils en termes d’identification du type de cellule et de découverte de modules tissulaires. Cet article est une interprétation détaillée et un partage de la recherche.
Voir le rapport complet :https://go.hyper.ai/IZE5Q
Le groupe de recherche de Yu Xiang, professeur associé titulaire à l'École des sciences de la vie et de la technologie de l'Université Jiao Tong de Shanghai, en collaboration avec les équipes de Yang Jun et Wang Hongxia du Jardin botanique de Chenshan de Shanghai, a développé un modèle d'apprentissage profond transférable, TandemMod, qui a permis l'identification de plusieurs types de modifications d'ARN dans DRS. Cet article est une interprétation et un partage du processus expérimental.
Voir le rapport complet :https://go.hyper.ai/qkS18
Les chercheurs du MIT ont proposé un cadre de combinaison de stratégies robotiques PoCo, qui peut résoudre les problèmes d'hétérogénéité des données et de diversité des tâches dans les tâches d'utilisation d'outils robotiques. Cet article est une interprétation et un partage du processus de recherche.
Voir le rapport complet :https://go.hyper.ai/jrJNV
Récemment, HyperAI a eu un dialogue approfondi avec l'académicien Ding Han pour en savoir plus sur sa profonde accumulation dans le domaine de la fabrication intelligente, ainsi que sur ses connaissances uniques dans des domaines de recherche tels que les robots industriels et les robots humanoïdes. Cet article est une interprétation détaillée et un partage de l'interview avec l'académicien Ding Han.
Voir le rapport complet :https://go.hyper.ai/A883w
L'équipe de Hong Liang de l'Université Jiao Tong de Shanghai et Tan Pan, un jeune chercheur du Laboratoire d'intelligence artificielle de Shanghai, ont proposé une méthode d'entraînement de réglage fin FSFP basée sur le modèle de pré-entraînement des protéines. Il peut entraîner efficacement le modèle de pré-entraînement des protéines en utilisant seulement 20 données expérimentales humides aléatoires et peut considérablement améliorer le taux de positivité de prédiction de mutation à point unique du modèle. Cet article est une interprétation et un partage du document.
Voir le rapport complet :https://go.hyper.ai/5vKyf
Articles populaires de l'encyclopédie
1. LlamaIndex
2. Apprentissage tout au long de la vie
3. Codage de la position rotationnelle Corde
4. Les poupées russes représentent l'apprentissage du MRL
5. Éclaboussures gaussiennes 3D
Voici des centaines de termes liés à l'IA compilés pour vous aider à comprendre « l'intelligence artificielle » ici :
Aperçu de la diffusion en direct de la station B
Le premier épisode de la série de diffusion en direct « Meet AI4S » sera officiellement lancé à 19h00 le 17 juillet. Nous avons l'honneur d'inviter Ding Jiale, doctorant en télédétection et systèmes d'information géographique à l'Université du Zhejiang. Il présentera les idées de conception et les scénarios d'application du modèle d'une manière facile à comprendre sous le titre « Les réseaux neuronaux fournissent une nouvelle explication de l'hétérogénéité spatiale des prix des logements », et partagera en outre la méthode d'analyse de régression spatiale de la régression pondérée géographiquement.
Cliquez pour programmer une diffusion en direct :https://www.huodongxing.com/event/2762111401922
Présentation de l'invité
Suivi unique des principales conférences universitaires sur l'IA :
Voici tout le contenu de la sélection de l’éditeur de cette semaine. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, vous êtes également invités à laisser un message ou à soumettre un article pour nous le dire !
À la semaine prochaine !
À propos d'HyperAI
HyperAI (hyper.ai) est une communauté leader en matière d'intelligence artificielle et de calcul haute performance en Chine.Nous nous engageons à devenir l'infrastructure dans le domaine de la science des données en Chine et à fournir des ressources publiques riches et de haute qualité aux développeurs nationaux. Jusqu'à présent, nous avons :
* Fournir des nœuds de téléchargement accélérés nationaux pour plus de 1 300 ensembles de données publiques
* Comprend plus de 400 tutoriels en ligne classiques et populaires
* Interprétation de plus de 100 cas d'articles AI4Science
* Prise en charge de plus de 500 termes de recherche associés
* Hébergement de la première documentation complète d'Apache TVM en Chine
Visitez le site Web officiel pour commencer votre parcours d'apprentissage :