AIbase
JA
ホーム
Vit Large Patch14 Clip 224.datacompxl
V

Vit Large Patch14 Clip 224.datacompxl

timmによって開発
CLIPアーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出専用にLAION組織によって公開されました。
画像分類
Transformers
オープンソースライセンス:Apache-2.0#マルチモーダル事前学習#ゼロショット画像分類#大規模視覚表現
ダウンロード数 14
リリース時間 : 12/24/2024

モデル概要

このモデルはCLIP（Contrastive Language-Image Pretraining）の画像エンコーダ部分で、ViT-Largeアーキテクチャを採用し、大規模な画像-テキストペアで訓練され、高品質な画像特徴表現を抽出できます。

モデル特徴

大規模事前学習
DataComp XLデータセット（s13B-b90K）を使用した事前学習で、大規模な画像-テキストペアデータを含みます
高解像度処理
224x224ピクセルの入力解像度をサポートし、より詳細な画像特徴を捉えることができます
コントラスティブラーニングフレームワーク
CLIPのコントラスティブラーニングフレームワークで訓練され、画像とテキストの共同表現空間を学習します

モデル能力

画像特徴抽出
画像-テキストアラインメント
ゼロショット画像分類
画像検索

使用事例

コンピュータビジョン
ゼロショット画像分類
特定の訓練なしで画像を分類可能
複数のベンチマークテストで優れた性能
画像検索
テキストクエリに基づく関連画像の検索
高品質なクロスモーダル検索を実現
マルチモーダルアプリケーション
画像キャプション
画像に自動的に説明テキストを生成
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