V

Vit Large Patch16 Siglip Gap 384.v2 Webli

timmによって開発
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
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