Back to explore

Multimodalny prototyp JEV: pytania do obrazów z ramkami

Multimodalny prototyp JEV wytrenowany na CUB-200-2011 z backbone Qwen2.5-VL, odpowiada na pytania dotyczące obrazów z prawdopodobieństwami opcji i ramkami w ~0,4 s na obraz.

Built a multimodal JEV prototype that answers image questions with option probabilities and bounding boxes. Trained on CUB-200-2011 with Qwen2.5-VL backbone (0.4s/image) https://github.com/tin-xai/multimodal-jev-grounding…

· 0 likesOpen on X