V

Vit Giantopt Patch16 Siglip 384.v2 Webli

timmによって開発
SigLIP 2に基づくViT画像エンコーダー、timm向けに設計され、視覚言語タスクに適している
ダウンロード数 160
リリース時間 : 2/21/2025

モデル概要

これはSigLIP 2アーキテクチャに基づく視覚トランスフォーマー(ViT)モデルで、画像エンコーダーのみを含みます。Sigmoid損失関数を使用して事前学習されており、様々な視覚言語理解タスクに適しています。

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、強化さ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
Sigmoid損失関数
Sigmoid損失関数を使用して事前学習を行い、モデルの性能を向上させています
高解像度処理
384x384ピクセルの入力解像度をサポート
Webliデータセット事前学習
Webli大規模データセットで事前学習を行っています

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

視覚言語タスク
画像検索
テキストクエリに基づいて関連画像を検索
画像キャプション
画像に対して記述的なテキストを生成
視覚的質問応答
画像内容に関する質問に回答
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