AIbase
JA
ホーム
CLIP ViT B 32 CommonPool.S.image S13m B4k
C

CLIP ViT B 32 CommonPool.S.image 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
テキスト生成画像オープンソースライセンス:MIT#ゼロショット画像分類#マルチモーダルコントラスティブラーニング#大規模事前学習
ダウンロード数 60
リリース時間 : 4/26/2023

モデル概要

このモデルはCLIPアーキテクチャの変種で、視覚Transformer（ViT）とテキストエンコーダを組み合わせており、画像とテキストの関連性を理解でき、ゼロショット画像分類などのクロスモーダルタスクに適しています。

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
クロスモーダル理解
視覚情報とテキスト情報を同時に処理・理解可能
効率的なアーキテクチャ
ViT-B/32ベースの視覚エンコーダで、性能と計算効率のバランスが取れている

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
未タグ付け画像に自動的に説明タグを生成
画像データベースの整理と検索効率が向上
電子商取引
製品分類
自然言語記述に基づいて製品画像を分類
新製品カテゴリごとに専用モデルを訓練する必要がない
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
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
English简体中文繁體中文にほんご
© 2025AIbase