ImageSummarizer یک خط لوله RAG برای تصاویر است که فراداده ساختاریافته، متن، زیرنویسها و سیگنالهای بصری را استخراج میکند. این سیستم از یک معماری موجی استفاده میکند که از تحلیل محلی سریع به مدلهای Vision LLM ارتقا مییابد. ImageSummarizer بر استفاده از مدلهای LLM چندوجهی بدون از دست دادن قطعی تمرکز دارد. اصل اساسی این است که احتمال پیشنهاد میدهد و قطعی حفظ میشود. این ابزار با رابط خط فرمان (CLI) و کتابخانه اصلی ارائه میشود و قابلیتهایی مانند تشخیص حرکت، استخراج میم و زیرنویس، و تکنولوژی استریپ فریم را ارائه میدهد. خروجیها شامل متن استخراج شده (OCR + Vision LLM)، پالت رنگ، معیارهای کیفیت، طبقهبندی نوع (عکس، اسکرینشات، نمودار، میم)، تحلیل حرکت (برای تصاویر متحرک) و زیرنویس Vision LLM اختیاری (محدود به حقایق محاسبه شده) و تعبیههای معنایی است. هر خروجی دارای امتیاز اطمینان، منبع و اشارهگر شواهد است.
مشاهده مطلب اصلی