vit_base_patch32_clip_256.datacompxlオープンソース画像特徴抽出モデル

ホーム

Vit Base Patch32 Clip 256.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、256x256解像度の入力をサポートする画像特徴抽出に特化

画像分類

Transformers

オープンソースライセンス:Apache-2.0 #CLIP視覚エンコーディング #256x256高解像度 #ゼロショット画像分類

ダウンロード数 89

リリース時間 : 12/24/2024

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、ViT-B/32アーキテクチャを採用し、大規模データセットで訓練され、高品質な画像特徴表現を抽出可能

モデル特徴

高解像度サポート

256x256ピクセルの入力解像度をサポートし、より精細な画像ディテールを処理可能

CLIPアーキテクチャ

対照的言語-画像事前学習(CLIP)フレームワークに基づき、強力なクロスモーダル理解の可能性を有する

大規模事前学習

DataCompデータセットで事前学習されており、幅広い視覚概念理解能力を備える

モデル能力

画像特徴抽出

視覚コンテンツ理解

クロスモーダル表現学習

使用事例

コンピュータビジョン

画像検索

類似画像検索のための画像特徴抽出

視覚分類

下流分類タスクのための特徴抽出器として使用

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

テキストエンコーダと連携して画像テキストマッチングタスクを実現

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

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 Patch32 Clip 256.datacompxl

モデル概要

モデル特徴

モデル能力

使用事例

🚀 vit_base_patch32_clip_256.datacompxl

📄 ライセンス