%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
Vit Huge Patch14 Clip 378.dfn5b
DFN5B-CLIPの視覚エンコーダ部分、ViT-Hugeアーキテクチャに基づき、378x378解像度の画像で訓練されたCLIPモデル
ダウンロード数 461
リリース時間 : 12/26/2024
モデル概要
このモデルはCLIP（Contrastive Language-Image Pretraining）の視覚エンコーダ部分で、画像から高レベルな特徴表現を抽出するために特別に設計されています。Vision Transformer（ViT）アーキテクチャに基づいており、様々なコンピュータビジョンタスクに適しています。
モデル特徴
高解像度処理
378x378ピクセルの高解像度画像入力をサポートし、より詳細な視覚特徴を捉えることが可能
CLIP互換性
CLIPモデルの視覚エンコーダ部分として、テキストエンコーダと組み合わせてクロスモーダル理解を実現可能
ViT-Hugeアーキテクチャ
Vision Transformerの大規模アーキテクチャに基づき、強力な特徴抽出能力を有する
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
抽出した画像特徴を利用して分類タスクを実行
画像検索
視覚的類似性に基づく画像検索
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組み合わせて画像とテキストの関連性判断を実現
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
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
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