# 高精度視覚モデル

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。

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。

Florence-2はマイクロソフトが開発した先進的な視覚基盤モデルで、プロンプトベースのアプローチで幅広い視覚と言語タスクを処理します。

CLIPフレームワークを基にしたResNet50x16視覚モデル、ゼロショット画像分類タスクをサポート

CLIPアーキテクチャに基づくResNet50x4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

CLIPA-v2モデル、ゼロショット画像分類タスクに特化し、対比式画像テキスト学習による効率的な視覚表現学習を実現

CLIPA-v2モデル、効率的なコントラスティブ画像テキストモデルで、ゼロショット画像分類タスクに特化しています。

CLIPA-v2モデル、効率的なコントラスト型画像テキストモデルで、ゼロショット画像分類タスク向けに設計されています。

CLIPA-v2モデル、laion2B-enデータセットでトレーニングされ、ゼロショット画像分類タスクに特化

EVA02アーキテクチャに基づく大規模視覚言語モデル、ゼロショット画像分類タスクをサポート

EVA-GiantはCLIPアーキテクチャに基づく大規模視覚-言語モデルで、ゼロショット画像分類タスクをサポートします。

BEiTアーキテクチャに基づく事前学習済み画像分類モデルで、ベトナム語タグをサポートし、視覚タスクに適しています

ConvNeXTは純粋な畳み込みモデルで、視覚Transformerの設計に触発され、ImageNet-22kで事前学習され、ImageNet-1kで微調整され、従来の視覚Transformerよりも優れた性能を発揮します。