V

Vit Huge Patch14 Clip Quickgelu 378.dfn5b

timmによって開発
CLIPアーキテクチャに基づくViT-Huge画像エンコーダ、DFN5Bデータセットでトレーニングされ、高速GELU活性化をサポート
ダウンロード数 27
リリース時間 : 12/26/2024

モデル概要

このモデルはCLIPフレームワークの視覚エンコーダ部分で、Vision Transformer (ViT)アーキテクチャを採用し、画像特徴抽出タスクを効率的に処理するように特別に設計されています。

モデル特徴

大規模ViTアーキテクチャ
ViT-Hugeアーキテクチャを採用し、より強力な特徴抽出能力を備えています
高速GELU活性化
QuickGELU活性化関数を使用し、計算効率を向上させます
CLIP互換設計
CLIPフレームワークの視覚エンコーダ部分として、テキストエンコーダと連携して使用可能
大規模事前学習
DFN5Bデータセットでトレーニングされ、強力な視覚表現能力を備えています

モデル能力

画像特徴抽出
視覚表現学習
クロスモーダルアラインメント

使用事例

コンピュータビジョン
画像分類
分類タスクのための画像特徴を抽出
画像検索
類似性検索のための画像埋め込みを生成
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
テキストエンコーダと連携して画像とテキストのクロスモーダルマッチングを実現
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