VisionScope-R2

מה זה

אתם מעלים תמונה, בוחרים אחד מחמשת המודלים הזמינים, כותבים הנחיה ומקבלים פלט טקסט. הממשק מאפשר לקבוע גם פרמטרים כמו טמפרטורה, חזרתיות ומספר טוקנים מקסימלי.

מאחורי הקלעים רצים חמישה מודלים שונים שמושתתים ברובם על ארכיטקטורת Qwen2 ו־Qwen2.5 בגרסאות ראייה. הרשימה כוללת את DeepCaption-VLA-7B, SkyCaptioner-V1, SpaceThinker בגרסת 3B, מודל ייעודי לזיהוי טקסט בשם coreOCR-7B, ואת SpaceOm שמקושר גם למאגר נתונים באותו שם. בממשק משולבות דוגמאות מובנות להרצה מהירה כדי לבדוק את התנהגות המערכת מיד.

מתאים ל

• השוואת מודלי ראייה

  בדיקת אותה תמונה מול מספר מודלים של 3B ו־7B כדי לראות איזה מהם מפיק תיאור מדויק יותר.

• חילוץ טקסט מתמונות

  הרצת מודל coreOCR על מסמכים או שלטים כדי להמיר טקסט ויזואלי למחרוזת טקסט פשוטה להעתקה.

• יצירת כתוביות לאימון

  שימוש במודלי ה־Captioning ליצירת תיאורים מפורטים עבור מאגרי תמונות שמיועדים לאימון מודלים אחרים.

איפה זה נופל

המערכת מוגבלת להרצה של 60 שניות למשימה, כך שמשימות ארוכות במיוחד ייחתכו. בנוסף, חמשת המודלים מותאמים בעיקר לאנגלית. לא נמסר מידע על תמיכה בעברית, ולכן ניסיון לחלץ טקסט עברי בעזרת מודל ה־OCR או לבקש תיאורים בעברית כנראה יניב שגיאות או בליל אותיות. הממשק גם לא משווה בין המודלים במקביל, אלא דורש מעבר ידני בין לשוניות והרצה נפרדת בכל פעם.

איך משתמשים

טוענים תמונה מהמחשב או בוחרים דוגמה מהגלריה, מקלידים הנחיה ולוחצים Run. אין צורך בהרשמה או בתשלום כדי להריץ בדפדפן. המערכת מוקצית על גבי מעבד גרפי מדגם A10G דרך מנגנון ZeroGPU, עם מגבלת זמן של 60 שניות להרצה. אם המעבד תפוס באותו רגע תיתכן המתנה קצרה בתור, אבל מרגע שהחישוב מתחיל התוצאה מתקבלת תוך שניות בודדות בהתאם לאורך הפלט המבוקש.

הרישיון

הפרויקט עצמו מופץ תחת רישיון Apache 2.0 שמאפשר שימוש חופשי וגם מסחרי בקוד. עם זאת, כל מודל מחמשת המודלים עשוי להחזיק ברישוי מקור משלו שיש לבדוק בנפרד. לגבי התמונות שאתם מעלים, הן מועברות לשרת לצורך עיבוד ולא נמסרה התחייבות לפרטיות, לכן אל תעלו מידע רגיש.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗