Vit Giantopt Patch16 Siglip Gap 384.v2 Webli
SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリング処理を採用し、注意プーリングヘッドを削除した画像特徴抽出タスクに適しています。
ダウンロード数 21
リリース時間 : 2/21/2025
モデル概要
このモデルはtimm専用に設計されたSigLIP 2 ViT画像エンコーダーで、主に画像特徴抽出に使用されます。HuggingFace上のViT-gopt-16-SigLIP2-384モデルの画像タワー部分と同等ですが、グローバル平均プーリング(gap)バリアントを採用しています。
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
グローバル平均プーリング(gap)バリアントを使用し、注意プーリングヘッドを削除しました
Webliデータセットでのトレーニング
Webliデータセットで事前学習を行い、広範な視覚表現能力を持っています
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
抽出した画像特徴を利用して類似画像を検索します
視覚的質問応答
視覚的質問応答システムの視覚エンコーダーとして使用されます
マルチモーダルアプリケーション
画像とテキストのマッチング
画像とテキストのマッチングタスクに使用されます
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