C

CLIP ViT B 32 CommonPool.S 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 79
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、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
Vision Transformerベースのバランス型アーキテクチャで性能と効率を両立

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

コンテンツモデレーション
不適切コンテンツ識別
コミュニティ基準に合わない画像コンテンツを自動識別
電子商取引
製品分類
製品説明に基づいて製品画像を自動分類
メディア分析
画像タグ付け
画像に記述的なタグを生成
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