C

CLIP ViT B 32 CommonPool.S.text S13m B4k

Developed by laion
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
Downloads 57
Release Time : 4/26/2023

Model Overview

このモデルはCLIPアーキテクチャのバリアントで、視覚Transformer(ViT)とテキストエンコーダーを組み合わせており、画像とテキストの関連性を理解でき、ゼロショット画像分類などのクロスモーダルタスクに適しています。

Model Features

ゼロショット学習能力
特定タスクのファインチューニングなしで画像分類タスクを実行可能
クロスモーダル理解
視覚情報とテキスト情報を同時に処理・理解可能
効率的なアーキテクチャ
ViT-B/32ベースの視覚エンコーダーが良好な性能と効率のバランスを提供

Model Capabilities

ゼロショット画像分類
画像-テキストマッチング
クロスモーダル検索

Use Cases

コンテンツモデレーション
違反コンテンツ識別
テキスト記述に基づいて違反画像を自動識別
電子商取引
製品分類
製品説明に基づいて製品画像を自動分類
メディア分析
画像タグ付け
画像に関連するテキストタグを生成
AIbase
Empowering the Future, Your AI Solution Knowledge Base
© 2025AIbase