🏌️ GlOttal-flow LPC Filter (GOLF)

A DDSP-based neural vocoder.

Новый метод синтеза поющего голоса (SVS), использующий физические характеристики человеческого голоса с помощью дифференцируемой цифровой обработки сигнала

🖥 Github: https://github.com/yoyololicon/golf

📕 Paper: https://arxiv.org/abs/2306.17252v1

🔗Demo: https://yoyololicon.github.io/golf-demo/

ai_machinelearning_big_data

🪄 Making a web app generator with open ML models

В этом руководстве показан подход к созданию приложения по генерации веб-контента на основе искусственного интеллекта (модель WizardCoder) путем потоковой передачи и рендеринга контента за один раз.

🖥 Github: https://github.com/huggingface/blog/blob/main/text-to-webapp.md

📕 HuggingFace: https://huggingface.co/blog/text-to-webapp

🔗Demo: https://huggingface.co/spaces/jbilcke-hf/webapp-factory-wizardcoder

ai_machinelearning_big_data

🚀 Hierarchical Open-vocabulary Universal Image Segmentation

Decoupled text-image fusion mechanism and representation learning modules for both "things" and "stuff".

HIPIE - новая модель сегментации и обнаружения изображений, которая способна выполнять задачи сегментации на различных уровнях (объектов, частей объектов и подчастей) и задач в рамках единой структуры, управляемой ествественным языком.

🖥 Github: https://github.com/berkeley-hipie/hipie

📕 Paper: https://arxiv.org/abs/2307.00764v1

🔗Project: http://people.eecs.berkeley.edu/~xdwang/projects/HIPIE/

🔗 Dataset: https://paperswithcode.com/dataset/pascal-panoptic-parts

ai_machinelearning_big_data

🎨 Making ML-powered web games with Transformers.js

The goal of this tutorial is to show you how easy it is to make your own ML-powered web game.

Инструкция с кодом по созданию веб-игры с поддержкой ML в реальном времени, которая запускается полностью в вашем браузере (благодаря Transformers.js).

🖥 Github: https://github.com/xenova/doodle-dash

🤗 Hugging face: https://huggingface.co/blog/ml-web-games

⭐️ Code: https://github.com/xenova/doodle-dash

🔗Demo: https://huggingface.co/spaces/Xenova/doodle-dash

🔗 Dataset: https://huggingface.co/datasets/Xenova/quickdraw-small

ai_machinelearning_big_data

🦙 Focused Transformer: Contrastive Training for Context Scaling

LongLLaMA, a large language model capable of handling long contexts of 256k tokens or even more.

LongLLaMA - это большая языковая модель, способная обрабатывать очень длинные тексты (размером 256k токенов и даже больше). Модель основана на OpenLLaMA и доработана с помощью метода фокусированного преобразования (FoT).

🖥 Github: https://github.com/cstankonrad/long_llama

📕 Paper: https://arxiv.org/abs/2307.03170v1

🖥 Colab: https://colab.research.google.com/github/CStanKonrad/long_llama/blob/main/long_llama_colab.ipynb

🔗 Dataset: https://paperswithcode.com/dataset/pg-19

ai_machinelearning_big_data

🦙Flacuna: A Vicuna made of Flan

Flacuna was developed by fine-tuning Vicuna on Flan-mini, a comprehensive instruction collection encompassing various tasks.

Flacuna была разработана путем доработки Vicuna на Flan-mini. Модель уже является отличным помощником в написании текстов, и настроена на решении задач широкого спектра.
Flacuna продемонстрировала заметное улучшение производительности при решении задач в нескольких эталонных датасетах.

🖥 Github: https://github.com/declare-lab/flacuna

📕 Paper: https://arxiv.org/abs//2307.02053

🚀 Model: https://huggingface.co/declare-lab/flacuna-13b-v1.0

🔗 Dataset: https://huggingface.co/datasets/declare-lab/flan-mini

ai_machinelearning_big_data

🔎 DeepOnto: A Python Package for Ontology Engineering with Deep Learning

A package for ontology engineering with deep learning and language model.

DeepOnto - интресная библиотека на Python, которая предоставляет инструменты для реализации моделей глубокого обучения, создания методов и проведения оценки для различных онтологических исследований.

pip install deeponto

🖥 Github: https://github.com/KRR-Oxford/DeepOnto

📌 Project: https://krr-oxford.github.io/DeepOnto/

📕 Paper: https://arxiv.org/abs/2307.03067v1

🚀 Dataset: https://paperswithcode.com/dataset/ontolama

ai_machinelearning_big_data

⭐️ InPars Toolkit: A Unified and Reproducible Synthetic Data Generation Pipeline for Neural Information Retrieval

Конвейер генерации данных для нейронного информационного поиска.

pip install inpars

🖥 Github: https://github.com/zetaalphavector/inpars

📕 Paper: https://arxiv.org/abs/2307.04601v1

🚀 Dataset: https://paperswithcode.com/dataset/beir

ai_machinelearning_big_data

⚡️ Анонсируем новую большую конференцию от Яндекса по прикладному ML — Practical ML Conf 2023

Пока вы наслаждаетесь тёплым летом, мы готовим для вас большую конференцию по прикладному Machine Learning — чтобы обсудить все изменения, которые постоянно происходят в ML-отрасли, и то, как их можно внедрить в свои проекты.

7 сентября вас ждут 500 экспертов, 8 профильных направлений и опытные ML-инженеры, которые меняют сферу уже сейчас. Поговорим о ключевых вопросах индустрии: генеративных моделях, Research, NLP, Hardware, CV, RecSys, MLOps и Ecomm.

Если вы хотите прочитать доклад о прикладном ML, то заполняйте форму до 17 июля. А если нет — save the date и ждите новые подробности: скоро мы начнём рассказывать о программе Practical ML Conf 2023.

До встречи 7 сентября на Practical ML Conf в Москве или онлайн!

AnimateDiff

Effective framework to animate most of existing personalized text-to-image models once for all, saving the efforts in model-specific tuning.

Новый фреймворк для генерации видео из текста. Высокое качество анимаций, различные возможности для пролета камеры, множество стилей.

🖥 Github: https://github.com/guoyww/animatediff/

🖥 Colab: https://colab.research.google.com/github/camenduru/AnimateDiff-colab/blob/main/AnimateDiff_colab.ipynb

📕 Paper: https://arxiv.org/abs/2307.04725

🚀 Project: https://animatediff.github.io/

ai_machinelearning_big_data

🌄 Kandinsky 2.2 попал в Diffusers

Kandinsky 2.2 - это генеративная модель от Сбера, создающая изображения по текстовому описанию. Обновление привело к увеличению количества доступного функционала (ControlNet, Outpainting х2 и др.)

Diffusers — это известный и крупнейший фреймворк генеративных моделей. Его используют такие инструменты и библиотеки, как DreamFusion, Segment Anything, ML Stable Diffusion (by Apple) и другие.

Kandinsky 2.2 попал в основной репозиторий Diffusers на GitHub.

🖥 Github: https://github.com/huggingface/diffusers

ai_machinelearning_big_data