%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20none;%20}%20.st1%20{%20fill:%20%235ce6cf;%20}%20.st2%20{%20fill:%20%230080ff;%20}%20.st3%20{%20clip-path:%20url(%23clippath);%20}%20%3c/style%3e%3cclipPath%20id='clippath'%3e%3crect%20class='st0'%20y='0'%20width='120'%20height='32'/%3e%3c/clipPath%3e%3c/defs%3e%3cg%20class='st3'%3e%3cg%3e%3cpath%20class='st1'%20d='M22.4,32H3.2c-1,0-2-.5-2.6-1.4-.6-.9-.7-2-.4-2.9L9.8,2.1C10.3.8,11.5,0,12.8,0s2.5.8,3,2.1l9.6,25.6c.4,1,.2,2.1-.4,2.9-.6.9-1.6,1.4-2.6,1.4ZM7.8,25.6h10l-5-13.3-5,13.3Z'/%3e%3cpath%20class='st2'%20d='M33.6,32c-1.3,0-2.5-.8-3-2.1L21,4.3c-.6-1.7.2-3.5,1.9-4.1,1.7-.6,3.5.2,4.1,1.9l9.6,25.6c.6,1.7-.2,3.5-1.9,4.1-.4.1-.8.2-1.1.2h0Z'/%3e%3cpath%20d='M71.8,9.1h-6.9v4.6h6.9c2.5,0,4.6,2,4.6,4.6h-6.9c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h2.3c1.7,0,3.2-.4,4.6-1.2v1.2h4.6v-13.7c0-5-4.1-9.1-9.1-9.1h0ZM71.8,27.4h-2.3c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h6.9c0,2.5-2,4.6-4.6,4.6h0Z'/%3e%3cpath%20d='M52.3,9.1h-4.6V0h-4.6V32h9.1c5,0,9.1-4.1,9.1-9.1v-4.6c0-5.1-4.1-9.1-9.1-9.1h0ZM56.9,22.9c0,2.5-2,4.6-4.6,4.6h-4.6v-13.7h4.6c2.5,0,4.6,2,4.6,4.6v4.6h0Z'/%3e%3cpath%20d='M110.9,13.7h9.1v-4.6h-9.1c-5.1,0-9.1,4.1-9.1,9.1v4.6c0,5.1,4.1,9.1,9.1,9.1h9.1v-4.6h-9.1c-2.5,0-4.6-2-4.6-4.6h13.7v-4.6h-13.7c0-2.5,2-4.6,4.6-4.6h0Z'/%3e%3cpath%20d='M93.6,18.3h-4.6c-1.3,0-2.3-1-2.3-2.3s1-2.3,2.3-2.3h10.3v-4.6h-10.3c-3.8,0-6.9,3.1-6.9,6.9s3.1,6.9,6.9,6.9h4.6c1.3,0,2.3,1,2.3,2.3s-1,2.3-2.3,2.3h-10.3v4.6h10.3c3.8,0,6.9-3.1,6.9-6.9s-3.1-6.9-6.9-6.9Z'/%3e%3c/g%3e%3c/g%3e%3c/svg%3e)
简介
HunyuanCaptioner是一款基于LLaVA实现的文本到图像技术模型，能够生成与图像高度一致的文本描述，包括物体描述、物体关系、背景信息、图像风格等。它支持中文和英文的单图和多图推理，并可通过Gradio进行本地演示。
截图
产品特色
支持中文和英文的图像描述生成
能够从多个角度生成描述，如物体、关系、背景、风格
基于LLaVA实现，保证了技术的先进性
支持单图和多图的推理功能
可通过Gradio进行本地演示，方便用户测试和体验
提供模型下载和依赖安装的详细指导
使用教程
1. 安装依赖：根据页面提供的依赖安装指南进行操作。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%230080ff;%20}%20%3c/style%3e%3c/defs%3e%3cpath%20class='st0'%20d='M16.2,11.1c.4.5.4,1.2,0,1.8l-4.7,7.1h-3.8l5.3-8L7.6,4h3.8l4.7,7.1Z'/%3e%3c/svg%3e)
2. 下载模型：使用huggingface-cli工具下载HunyuanCaptioner模型。
3. 进行单图推理：选择中文或英文模式，输入图片路径和模型路径，执行推理。
4. 进行多图推理：将多张图片转换为csv文件，然后使用提供的脚本进行批量推理。
5. 启动Gradio演示：按照页面指导启动本地Gradio演示，体验模型功能。
6. 根据需要将输出结果转换为Arrow格式，以便于进一步处理或分析。
流量来源
| 直接访问 | 48.39% | 外链引荐 | 35.85% | 邮件 | 0.03% |
| 自然搜索 | 12.76% | 社交媒体 | 2.96% | 展示广告 | 0.02% |
最新流量情况
月访问量
25296.55k
平均访问时长
285.77
每次访问页数
5.83
跳出率
43.31%
总流量趋势图
地理流量分布情况
美国
17.94%
中国
17.08%
印度
8.40%
俄罗斯
4.58%
日本
3.42%
地理流量分布全球图
同类开源产品
Hallo2
Hallo2是一种基于潜在扩散生成模型的人像图像动画技术，通过音频驱动生成高分辨率、长时的视频。
AI图像生成#音频驱动
AI Sketchnotes Generator
AI Sketchnotes Generator是一款在线工具，能够将文本内容自动转换成吸引人的草图笔记。
AI图像生成#AI生成
Flux AI Img
Flux AI是一个利用先进AI算法来生成高质量图像的平台。
AI图像生成#深度学习
Comfygen
ComfyGen 是一个专注于文本到图像生成的自适应工作流系统，它通过学习用户提示来自动化并定制有效的工作流。
AI图像生成#自适应工作流
薯图宝
中文精选
薯图宝是一款旨在提升图文制作效率的批量生成工具，它通过个性化模板和文案数据组合，快速生成大量图片，适用于小红书、抖音、视频号等全平台图文制作。
AI图像生成#批量处理
Animegen
AnimeGen是一个利用先进AI模型将文本提示转化为动漫风格图片的在线工具。
AI图像生成#动漫
Anyphoto.co
AnyPhoto.co是一个利用人工智能技术提供图片风格化和艺术效果的在线平台。
AI图像生成#艺术效果
Comfyui Fluxtapoz
ComfyUI-Fluxtapoz是一个为Flux在ComfyUI中编辑图像而设计的节点集合。
AI图像生成#Flux
Toy Box Flux
Toy Box Flux是一个基于AI生成图像训练的3D渲染模型，它结合了现有的3D LoRA模型和Coloring Book Flux LoRA的权重，形成了独特的风格。
AI图像生成#3D渲染
替代品
Hallo2
Hallo2是一种基于潜在扩散生成模型的人像图像动画技术，通过音频驱动生成高分辨率、长时的视频。
AI图像生成#音频驱动
Comfygen
ComfyGen 是一个专注于文本到图像生成的自适应工作流系统，它通过学习用户提示来自动化并定制有效的工作流。
AI图像生成#自适应工作流
Comfyui Fluxtapoz
ComfyUI-Fluxtapoz是一个为Flux在ComfyUI中编辑图像而设计的节点集合。
AI图像生成#Flux
Toy Box Flux
Toy Box Flux是一个基于AI生成图像训练的3D渲染模型，它结合了现有的3D LoRA模型和Coloring Book Flux LoRA的权重，形成了独特的风格。
AI图像生成#3D渲染
Disenvisioner
DisEnvisioner是一种先进的图像生成技术，它通过分离和增强主题特征来生成定制化的图像，无需繁琐的调整或依赖多张参考图片。
AI图像生成#定制化
RF Inversion
RF-Inversion是一个专注于图像生成和编辑的技术，它通过随机微分方程（SDE）来实现图像的反转和编辑。
AI图像生成#语义编辑
Animate X
Animate-X是一个基于LDM的通用动画框架，用于各种角色类型（统称为X），包括人物拟态角色。
AI图像生成#图像动画
Esearch
eSearch 是一款基于Electron开发的跨平台屏幕搜索和截屏软件，支持Linux、Windows和Mac系统。
AI图像检测识别#OCR
Meissonic
Meissonic是一个非自回归的掩码图像建模文本到图像合成模型，能够生成高分辨率的图像。
AI图像生成#高分辨率
精选AI产品推荐
Nocode
中文精选
NoCode 是一款无需编程经验的平台，允许用户通过自然语言描述创意并快速生成应用，旨在降低开发门槛，让更多人能实现他们的创意。
开发平台#应用开发
912
Listenhub
优质新品
ListenHub 是一款轻量级的 AI 播客生成工具，支持中文和英语，基于前沿 AI 技术，能够快速生成用户感兴趣的播客内容。
音频生成#AI
348
Lovart
国外精选
Lovart 是一款革命性的 AI 设计代理，能够将创意提示转化为艺术作品，支持从故事板到品牌视觉的多种设计需求。
AI设计工具#创意工具
1,128
Fastvlm
FastVLM 是一种高效的视觉编码模型，专为视觉语言模型设计。
AI模型#图像处理开源
564
Smart PDFs
国外精选
Smart PDFs 是一个在线工具，利用 AI 技术快速分析 PDF 文档，并生成简明扼要的总结。
文章摘要#AI
984
Keysync
KeySync 是一个针对高分辨率视频的无泄漏唇同步框架。
视频编辑#视频处理开源
480
Anyvoice
AnyVoice是一款领先的AI声音生成器，采用先进的深度学习模型，将文本转换为与人类无法区分的自然语音。
音频生成#文本转语音
26.38k
Liblibai
中文精选
LiblibAI是一个中国领先的AI创作平台,提供强大的AI创作能力,帮助创作者实现创意。
AI模型#图像生成
344.42k