Clip Vit B 32 Japanese V1

🚀 日本語版CLIPモデル

このモデルは、日本語用のCLIPテキスト/画像エンコーダーモデルです。英語版CLIPモデルのテキストエンコーダーを一種の蒸留を用いて日本語化したもので、画像とテキストの関連付けや類似度計算などのタスクに役立ちます。

🚀 クイックスタート

このモデルの作り方や精度、使い方、サンプルコードについては、以下の解説記事を参照してください。

解説記事

• 概要: 【日本語モデル付き】2022年にマルチモーダル処理をする人にお勧めしたい事前学習済みモデル
• 使い方の解説: 【日本語CLIP】画像とテキストの類似度計算、画像やテキストの埋め込み計算、類似画像検索
• 応用解説:
  • いらすとや画像のマルチモーダル検索（ゼロショット編）(公開準備中)
  • いらすとや画像のマルチモーダル検索（ファインチューニング編）(公開準備中)
  • 画像とテキストの両方を用いたマルチモーダル分類(公開準備中)

サンプルコードのリポジトリ

• https://github.com/sonoisa/clip-japanese

デモ

• いらすとや画像のマルチモーダル検索（ゼロショット）

📄 ライセンス

このプロジェクトはCC BY-SA 4.0ライセンスの下で公開されています。