V

Vit So400m Patch16 Siglip 512.v2 Webli

由timm開發
基於SigLIP 2的視覺Transformer模型,專為圖像特徵提取設計,適用於多語言視覺-語言任務。
下載量 2,766
發布時間 : 2/21/2025

模型概述

該模型是一個SigLIP 2 ViT(僅圖像編碼器),主要用於圖像特徵提取,功能等同於Hugging Face上的ViT-SO400M-16-SigLIP2-512圖像編碼塔。

模型特點

SigLIP 2增強
採用SigLIP 2架構,具備增強的語義理解、定位和密集特徵提取能力。
多語言支持
設計用於多語言視覺-語言任務,支持跨語言應用。
高效特徵提取
專注於圖像特徵提取,適用於各種下游視覺任務。

模型能力

圖像特徵提取
視覺語義理解
跨模態對齊

使用案例

計算機視覺
圖像檢索
利用提取的圖像特徵進行高效圖像檢索。
視覺問答
作為視覺編碼器用於視覺問答系統。
多模態應用
圖文匹配
用於圖像與文本的跨模態匹配任務。
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase