V

Vit Base Patch16 Clip 224.dfn2b

Developed by timm
基於CLIP架構的視覺Transformer模型,由蘋果公司發佈的DFN2B-CLIP圖像編碼器權重
Downloads 444
Release Time : 12/26/2024

Model Overview

該模型是基於CLIP架構的視覺Transformer(ViT)模型,專門用於圖像特徵提取。它採用了patch16的輸入處理方式,輸入分辨率為224x224像素。

Model Features

CLIP架構
採用對比語言-圖像預訓練(CLIP)架構,具有強大的圖像表示能力
ViT-B/16基礎
基於Vision Transformer基礎架構,使用16x16的patch大小
高效特徵提取
專為圖像特徵提取優化,適合作為視覺任務的骨幹網絡

Model Capabilities

圖像特徵提取
視覺表示學習

Use Cases

計算機視覺
圖像分類
可作為圖像分類任務的特徵提取器
圖像檢索
用於提取圖像特徵以支持相似圖像檢索
多模態學習
視覺-語言任務
可作為視覺-語言模型的視覺編碼器組件
AIbase
Empowering the Future, Your AI Solution Knowledge Base
© 2025AIbase