# 汎用視覚表現

Webssl Dino1b Full2b 224
これはDINOv2自己教師あり学習により20億のウェブ画像でトレーニングされた10億パラメータのVision Transformerモデルで、言語監督なしで視覚表現を学習できます。
画像分類 Transformers
W
facebook
1,172
1
Vit Large Patch14 Dinov2.lvd142m
Apache-2.0
視覚Transformer(ViT)ベースの画像特徴モデルで、自己教師ありDINOv2手法を用いてLVD-142Mデータセットで事前学習済み。
画像分類 Transformers
V
pcuenq
18
0
Sam2 Hiera Small.fb R896 2pt1
Apache-2.0
timmライブラリに基づくSAM2(HieraDet画像エンコーダーのみ)の重みで、FacebookのHiera小型モデルに由来します。
画像セグメンテーション Transformers
S
timm
67
0
CLIP ViT B 16 CommonPool.L.basic S1b B8k
MIT
CLIPアーキテクチャに基づく視覚-言語モデルで、ゼロショット画像分類タスクをサポート
テキスト生成画像
C
laion
57
0
CLIP ViT B 32 CommonPool.M.clip S128m B4k
MIT
CLIPアーキテクチャに基づくゼロショット画像分類モデルで、汎用プーリング機能をサポート
画像生成テキスト
C
laion
164
0
CLIP ViT B 32 CommonPool.M.text S128m B4k
MIT
CLIPアーキテクチャに基づく視覚-言語モデルで、ゼロショット画像分類タスクをサポート
テキスト生成画像
C
laion
68
0
CLIP ViT B 32 CommonPool.M S128m B4k
MIT
CLIPアーキテクチャに基づくゼロショット画像分類モデル、汎用視覚-言語タスクをサポート
テキスト生成画像
C
laion
79
0
CLIP ViT B 32 CommonPool.S.text S13m B4k
MIT
CLIPアーキテクチャに基づく視覚-言語モデルで、ゼロショット画像分類タスクをサポート
テキスト生成画像
C
laion
57
0
CLIP ViT B 32 CommonPool.S.basic S13m B4k
MIT
CLIPアーキテクチャに基づく視覚-言語モデル、ゼロショット画像分類タスクをサポート
画像生成テキスト
C
laion
53
0
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