vit_base_patch16_siglip_256.webli_i18nオープンソースビジュアルモデル

ホーム

Vit Base Patch16 Siglip 256.webli I18n

timmによって開発

SigLIPベースのViT-B-16視覚Transformerモデル、画像エンコーダーのみを含み、オリジナルアテンションプーリングを採用

画像分類

Transformers

オープンソースライセンス:Apache-2.0 #多言語視覚エンコーディング #オリジナルアテンションプーリング #ゼロショット画像理解

ダウンロード数 16

リリース時間 : 12/24/2024

モデル概要

このモデルは画像特徴抽出専用の視覚Transformerモデルで、SigLIP（Sigmoid Loss for Language-Image Pre-training）手法で訓練され、多言語シナリオでの視覚タスクに適しています。

モデル特徴

SigLIP訓練手法

Sigmoid Lossを使用した言語-画像事前学習により、マルチモーダルタスクでの性能が向上

オリジナルアテンションプーリング

追加のプーリング層を導入せず、オリジナルのアテンション機構を特徴プーリングに保持

多言語サポート

多言語シナリオを考慮したモデル訓練で、国際化アプリケーションに適応

効率的な画像エンコーディング

ViTアーキテクチャに基づき、画像特徴を効率的に抽出可能

モデル能力

画像特徴抽出

視覚表現学習

マルチモーダルタスクサポート

使用事例

コンピュータビジョン

画像分類

画像分類タスクの基礎特徴抽出器として使用可能

視覚検索

視覚検索エンジンの特徴抽出コンポーネント構築に使用

マルチモーダルアプリケーション

画像テキストマッチング

テキストモデルと連携して画像テキストマッチングタスクを実現

属性	详情
ライブラリ名	timm
モデルタイプ	vit_base_patch16_siglip_256.webli_i18n
ライセンス	apache-2.0

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

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。

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

uer

2,694

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

Vit Base Patch16 Siglip 256.webli I18n

モデル概要

モデル特徴

モデル能力

使用事例

🚀 vit_base_patch16_siglip_256.webli_i18n

🚀 クイックスタート

📄 ライセンス