# マルチモーダル事前学習

ビジュアル - 言語事前学習技術に基づくゼロショット皮膚病評価モデルで、多面的な知識を統合して強化し、皮膚病の研究と診断に有効なツールを提供します。

Vision Transformerアーキテクチャに基づく視覚モデルで、SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法を採用し、画像理解タスクに適しています。

CoMP-MM-1Bはネイティブ画像解像度入力をサポートする視覚基盤モデル（VFM）で、SigLIPを基に継続事前学習されています。

YOLOEはリアルタイム視覚万能モデルで、ゼロショット物体検出など様々な視覚タスクをサポートします。

YOLOEはリアルタイム視覚万能モデルで、物体検出と視覚理解能力を組み合わせ、様々な視覚タスクに適用可能です。

YOLOE はゼロショット物体検出モデルで、視覚シーン中の様々な物体をリアルタイムに検出できます。

AIM-v2はtimmライブラリを基にした画像特徴抽出モデルで、大規模パッチ設計を採用し、高解像度画像処理に適しています。

AIM-v2はtimmライブラリをベースにした効率的な画像エンコーダで、画像特徴抽出タスクに適しています。

AIM-v2はtimmライブラリに基づく画像エンコーダーモデルで、3Bパラメータ規模を持ち、画像特徴抽出タスクに適しています。

AIM-v2はtimmライブラリに基づく画像エンコーダーモデルで、画像特徴抽出タスクに適しています。

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。

AIM-v2はApple社が開発した画像エンコーダモデルで、timmライブラリ互換のアーキテクチャを基にしており、画像特徴抽出タスクに適しています。

CLIPフレームワークに基づくResNet101画像エンコーダー、グローバル平均プーリング(GAP)による画像特徴抽出

CLIPフレームワークに基づくResNet50x4バリアントモデルで、画像特徴抽出用に設計

CLIPモデルの視覚エンコーダ部分に基づくResNet50バリアントで、グローバル平均プーリング(GAP)により画像特徴を抽出

ResNet50アーキテクチャに基づくCLIPスタイルの画像エンコーダー、CC12Mデータセットでトレーニングされ、グローバル平均プーリング(GAP)で特徴を抽出

CLIPアーキテクチャに基づくViT-Huge画像エンコーダ、DFN5Bデータセットでトレーニングされ、高速GELU活性化をサポート

DFN5B-CLIPの視覚エンコーダ部分、ViT-Hugeアーキテクチャに基づき、378x378解像度の画像で訓練されたCLIPモデル

CLIPアーキテクチャに基づくVision Transformerモデル、Apple社が公開したDFN2B-CLIP画像エンコーダーの重み

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを採用し、PaliGemmaプロジェクトの一部です

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを備えており、PaliGemma2モデルの一部です

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを採用し、PaliGemma2プロジェクトの一部です

SigLIP画像エンコーダーに基づく視覚言語モデルで、グローバル平均プーリング処理を採用し、マルチモーダルタスクに適しています。

SigLIPベースの視覚Transformerモデルで、画像エンコーダーのみを含み、オリジナルのアテンションプーリングメカニズムを採用しています。

SigLIPベースの視覚Transformerモデルで、グローバル平均プーリングを採用し、画像特徴抽出タスクに適しています。

SigLIPベースの視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルアテンションプーリングメカニズムを採用

SigLIPベースのViT-B-16画像エンコーダーモデルで、オリジナルアテンションプーリングを採用し、画像特徴抽出タスクに適しています。

SigLIPベースの視覚Transformerモデル、画像エンコーダーのみを含み、グローバル平均プーリング戦略を採用

SigLIPベースの視覚Transformerモデル、画像エンコーダーのみを含み、オリジナルアテンションプーリングメカニズムを採用

CLIPアーキテクチャに基づく視覚Transformerモデル、画像特徴抽出に特化

CLIPアーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出専用にLAION組織によって公開されました。

CLIPフレームワークに基づくViT-Huge視覚エンコーダ、laion2Bデータセットでトレーニング済み、画像特徴抽出をサポート

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

CLIPアーキテクチャに基づく視覚Transformerモデル、画像特徴抽出用に設計、laion2Bデータセットで学習

CLIPアーキテクチャに基づくVision Transformerモデルで、画像特徴抽出のために設計され、DataComp XLデータセットで学習済み

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

CLIPフレームワークに基づくConvNeXt-XXLarge画像エンコーダー、LAIONによってトレーニングされ、マルチモーダルタスクに適しています

CLIPフレームワークに基づくConvNeXt Baseモデルで、LAION-Aestheticデータセットでトレーニングされ、画像特徴抽出タスクに適しています。

CLIPフレームワークに基づくConvNeXt Base画像エンコーダー、LAION-2Bデータセットでトレーニングされ、画像特徴抽出をサポート

ConvNeXtアーキテクチャに基づくCLIP画像エンコーダー、LAION組織によってトレーニングされ、マルチモーダル視覚-言語タスクに適しています