convnext_large_mlp.clip_laion2b_ft_soup_320オープンソース画像エンコーダ

ホーム

Convnext Large Mlp.clip Laion2b Ft Soup 320

timmによって開発

CLIPアーキテクチャに基づくConvNeXt-Large画像エンコーダー、LAION-2Bデータセットでファインチューニング済み、320x320解像度の画像特徴抽出に対応

画像分類

Transformers

オープンソースライセンス:Apache-2.0 #マルチモーダル画像エンコーディング #大規模事前学習 #ゼロショット転移

ダウンロード数 173

リリース時間 : 12/24/2024

モデル概要

このモデルはCLIPフレームワークの画像エンコーダー部分で、ConvNeXt-Largeアーキテクチャを採用し、画像から高品質な特徴表現を抽出するために設計されています。LAION-2Bデータセットでファインチューニングされており、視覚-言語アライメントタスクに適しています。

モデル特徴

高解像度サポート

320x320解像度の画像入力をサポートし、より詳細な視覚的特徴を捉えることが可能

大規模事前学習

LAION-2B大規模データセットで事前学習とファインチューニングを実施し、強力な汎化能力を有する

ConvNeXtアーキテクチャ

現代的なConvNeXt-Largeアーキテクチャを採用し、CNNとTransformerの利点を統合

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

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用いた類似画像検索

視覚的質問応答

VQAシステムの視覚理解モジュールとして利用

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

画像とテキスト記述間の関連性評価

プロパティ	詳細
タグ	image-feature-extraction、timm、transformers
ライブラリ名	timm
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

Convnext Large Mlp.clip Laion2b Ft Soup 320

モデル概要

モデル特徴

モデル能力

使用事例

🚀 convnext_large_mlp.clip_laion2b_ft_soup_320のモデルカード

📄 ライセンス