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

Vit Base Patch16 Clip 224.datacompxl

timmによって開発
CLIPアーキテクチャに基づくビジョントランスフォーマーモデルで、画像特徴抽出に特化しており、ViT-B/16構造を採用しDataComp XLデータセットでトレーニング
画像分類
Transformers
オープンソースライセンス:Apache-2.0#CLIPビジュアルエンコーディング#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 36
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）の画像エンコーダー部分であり、入力画像を意味のある特徴表現に変換でき、様々な視覚タスクに適用可能

モデル特徴

大規模事前学習
DataComp XLデータセットでトレーニングされており、このデータセットには大規模な画像-テキストペアが含まれる
効率的な画像エンコーディング
ViTアーキテクチャを採用し、224x224解像度の入力画像を効率的に処理可能
対照学習最適化
CLIPの対照学習目標でトレーニングされ、学習された特徴はより良い汎化能力を持つ

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メント（テキスト特徴空間との整合）

使用事例

コンピュータビジョン
画像検索
抽出した画像特徴を使用して類似画像検索を実行
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ー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
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