Vit Large Patch16 Siglip Gap 384.v2 Webli
SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、グローバル平均プーリング(GAP)のバリアントを採用し、注意プーリングヘッドを削除、画像特徴抽出タスクに適しています。
ダウンロード数 95
リリース時間 : 2/21/2025
モデル概要
これはtimm向けに設計されたSigLIP 2 ViT画像エンコーダで、グローバル平均プーリングによる特徴処理を採用し、コンピュータビジョンタスクにおける画像特徴抽出に適しています。
モデル特徴
SigLIP 2アーキテクチャ
改良されたSigLIP 2アーキテクチャを採用し、より優れたセマンティック理解と位置特定能力を備えています
グローバル平均プーリング
注意プーリングヘッドを削除し、グローバル平均プーリング(GAP)による特徴処理を採用
高解像度処理
384×384解像度の入力をサポート
モデル能力
画像特徴抽出
視覚的セマンティック理解
画像位置特定
使用事例
コンピュータビジョン
画像検索
類似画像検索のための画像特徴を抽出
視覚-言語タスク
マルチモーダルタスクのための視覚エンコーダとして使用
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