CLIP ViT B 32 CommonPool.S.clip S13m B4k
C
CLIP ViT B 32 CommonPool.S.clip S13m B4k
laionによって開発
CLIPアーキテクチャに基づく視覚-言語モデルで、ゼロショット画像分類タスクをサポート
ダウンロード数 68
リリース時間 : 4/26/2023
モデル概要
このモデルはCLIPアーキテクチャのバリエーションで、Vision Transformer(ViT)とテキストエンコーダを組み合わせており、特定のタスク訓練なしで画像分類が可能です。
モデル特徴
ゼロショット学習能力
特定タスクのファインチューニングなしで画像分類タスクを実行可能
マルチモーダル理解
視覚情報とテキスト情報を同時処理し、クロスモーダル関連を構築
効率的なアーキテクチャ
Vision Transformerベースの軽量設計で、性能と効率のバランスを実現
モデル能力
ゼロショット画像分類
画像-テキストマッチング
クロスモーダル検索
使用事例
コンテンツ管理
自動画像タグ付け
ラベルなし画像に自動的に記述タグを生成
コンテンツ管理効率向上、手動タグ付けコスト削減
電子商取引
ビジュアル検索
自然言語記述で関連製品画像を検索
ユーザー体験とコンバージョン率向上
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98