Vit So400m Patch16 Siglip Gap 512.v2 Webli

🚀 vit_so400m_patch16_siglip_gap_512.v2_webli模型卡片

本項目為timm庫提供了一個SigLIP 2 ViT（僅圖像編碼器）模型。它等同於來自https://huggingface.co/timm/ViT-SO400M-16-SigLIP2-512 的圖像塔。此gap變體使用全局平均池化，並移除了注意力池化頭。

🚀 快速開始

本模型是為timm庫設計的圖像編碼器，可用於圖像特徵提取等相關任務。

✨ 主要特性

• 基於SigLIP 2技術，具備多語言視覺 - 語言編碼能力，提升了語義理解、定位和密集特徵提取能力。
• 採用全局平均池化（gap）變體，移除了注意力池化頭。

📚 詳細文檔

模型詳情

引用信息

如果您使用了本模型，請按照以下格式進行引用：

@article{tschannen2025siglip,
          title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
          author={Tschannen, Michael and Gritsenko, Alexey and Wang, Xiao and Naeem, Muhammad Ferjad and Alabdulmohsin, Ibrahim and Parthasarathy, Nikhil and Evans, Talfan and Beyer, Lucas and Xia, Ye and Mustafa, Basil and H'enaff, Olivier and Harmsen, Jeremiah and Steiner, Andreas and Zhai, Xiaohua},
          year={2025},
          journal={arXiv preprint arXiv:2502.14786}
        }
        

@inproceedings{zhai2023sigmoid,
          title={Sigmoid loss for language image pre-training},
          author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
          booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
          pages={11975--11986},
          year={2023}
        }
        

📄 許可證

本項目採用Apache-2.0許可證。