vision-transformer

规模最大的PyTorch图像编码器/骨干网络集合。包含训练、评估、推理、导出脚本与预训练权重——支持ResNet、ResNeXT、EfficientNet、NFNet、Vision Transformer（ViT）、MobileNetV4、MobileNet-V3和V2、RegNet、DPN、CSPNet、Swin Transformer、MaxViT、CoAtNet、ConvNeXt等模型

本仓库包含使用HuggingFace Transformers库构建的演示案例

MLX-VLM：基于MLX在Mac上进行视觉语言模型推理与微调的工具包

SpargeAttention：一种免训练的稀疏注意力机制，可加速任何模型推理