CLIP ViT B 32 CommonPool.S.laion S13m B4k
C
CLIP ViT B 32 CommonPool.S.laion 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 58
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、ViT-B-32視覚エンコーダーとテキストエンコーダーを組み合わせ、画像-テキストペアでコントラスト学習により訓練され、ゼロショット画像分類とクロスモーダル検索を実現可能。
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不要で新しい画像分類タスクに直接適用可能
クロスモーダル理解
視覚情報とテキスト情報を同時に理解し、画像-テキストマッチングを実現
効率的なアーキテクチャ
ViT-B-32視覚エンコーダーに基づき、性能と計算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
コンテンツ検索
画像検索エンジン
自然言語クエリを使用して関連画像を検索
事前定義ラベル不要で柔軟な検索を実現
自動タグ付け
画像自動タグ付け
未タグ付け画像に記述的タグを生成
手動タグ付け作業を削減
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