# ゼロショット転移学習

OpenVisionは完全オープンでコストパフォーマンスの高い先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

LMMRotateは回転物体検出タスク向けにファインチューニングされた大規模マルチモーダル言語モデルで、特に航空写真解析に適しています。

AIM-v2は効率的な画像エンコーダーモデルで、timmフレームワークと互換性があり、コンピュータビジョンタスクに適しています。

PaliGemma 2はGoogleが開発した視覚言語モデル(VLM)で、Gemma 2の能力を統合し、画像とテキストの入力からテキスト出力を生成可能

PaliGemma 2はGoogleが発表したアップグレード版の視覚言語モデル(VLM)で、Gemma 2の能力を統合し、画像とテキスト入力をサポートしてテキスト出力を生成します。

PaliGemma 2はGemma 2をベースとした視覚言語モデルで、画像とテキストの入力に対応し、テキスト出力を生成します。様々な視覚言語タスクに適しています。

AIMv2はマルチモーダル自己回帰目標事前学習に基づく視覚モデルシリーズで、マルチモーダル理解ベンチマークで優れた性能を発揮

AudioSetとLibrispeechで事前学習された音声分類モデル、視覚変換器アーキテクチャを用いて音声スペクトログラムを処理

OpenAIのViT-L-14モデルを基に、PMC_OA_betaとrocoデータセットでファインチューニングした視覚言語モデルで、生物医学分野のテキストから画像タスクに特化

Transformers ライブラリに基づく画像分割モデルで、様々な画像分割タスクをサポートします。

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、検証セットで優れたパフォーマンスを示し、すべての評価指標が1.0に達しました。

mT5はT5モデルの多言語バリアントで、101言語をサポートし、mC4コーパスに基づいて事前学習されており、多言語テキスト生成と理解タスクに適しています。

このモデルはWav2Vec2-Large-LV60事前学習モデルを基に、CommonVoiceデータセットでファインチューニングされ、多言語音素認識に使用されます。