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
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase