W

Webssl Dino7b Full8b 518

facebookによって開発
80億のMetaCLIPデータで訓練された70億パラメータの視覚Transformerモデル、DINOv2自己監視学習フレームワークを採用、言語監視不要
ダウンロード数 157
リリース時間 : 4/25/2025

モデル概要

これは自己監視学習によってウェブレベルの画像データで訓練された視覚Transformerモデルで、純粋な視覚学習アプローチが様々な視覚タスクにおいて言語監視モデルの性能を達成または凌駕できることを証明しています

モデル特徴

純粋視覚自己監視学習
完全に言語監視不要、ウェブ画像データのみで訓練
大規模訓練データ
80億のMetaCLIPウェブ画像サンプルで訓練
高解像度処理
518×518ピクセルの高解像度画像入力をサポート
マルチタスク適応性
従来の視覚ベンチマーク及びマルチモーダルタスクで優れた性能

モデル能力

画像特徴抽出
視覚表現学習
視覚質問応答
OCR認識
図表理解

使用事例

コンピュータビジョン
画像分類
画像分類タスクの特徴抽出に使用
従来の視覚ベンチマークで優れた性能
物体検出
物体検出タスクの基本特徴抽出器として
マルチモーダル応用
視覚質問応答
画像内容を理解する必要がある質問応答システムに使用
文書理解
OCRと文書レイアウト分析に使用
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
© 2025AIbase