AIbase
JA
ホーム
Vit Base Patch16 Clip 224.dfn2b
V

Vit Base Patch16 Clip 224.dfn2b

timmによって開発
CLIPアーキテクチャに基づくVision Transformerモデル、Apple社が公開したDFN2B-CLIP画像エンコーダーの重み
画像分類
Transformers
オープンソースライセンス:その他#CLIP視覚エンコーディング#ゼロショット画像分類#マルチモーダル事前学習
ダウンロード数 444
リリース時間 : 12/26/2024

モデル概要

このモデルはCLIPアーキテクチャに基づくVision Transformer（ViT）モデルで、画像特徴抽出専用に設計されています。patch16の入力処理方式を採用し、入力解像度は224x224ピクセルです。

モデル特徴

CLIPアーキテクチャ
対照的な言語-画像事前学習(CLIP)アーキテクチャを採用し、強力な画像表現能力を有する
ViT-B/16ベース
Vision Transformer基本アーキテクチャに基づき、16x16のパッチサイズを使用
効率的な特徴抽出
画像特徴抽出に最適化されており、視覚タスクのバックボーンネットワークとして適している

モデル能力

画像特徴抽出
視覚表現学習

使用事例

コンピュータビジョン
画像分類
画像分類タスクの特徴抽出器として使用可能
画像検索
類似画像検索をサポートするための画像特徴抽出に使用
マルチモーダル学習
視覚-言語タスク
視覚-言語モデルの視覚エンコーダーコンポーネントとして使用可能
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
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
English简体中文繁體中文にほんご
© 2025AIbase