V

Vit Large Patch14 Clip 224.datacompxl

由timm開發
基於CLIP架構的視覺Transformer模型,專門用於圖像特徵提取,由LAION組織發佈。
下載量 14
發布時間 : 12/24/2024

模型概述

該模型是CLIP(Contrastive Language-Image Pretraining)的圖像編碼器部分,採用ViT-Large架構,通過大規模圖像-文本對訓練,能夠提取高質量的圖像特徵表示。

模型特點

大規模預訓練
使用DataComp XL數據集(s13B-b90K)進行預訓練,包含大規模圖像-文本對數據
高分辨率處理
支持224x224像素的輸入分辨率,能夠捕捉更精細的圖像特徵
對比學習框架
基於CLIP的對比學習框架訓練,學習圖像和文本的聯合表示空間

模型能力

圖像特徵提取
圖像-文本對齊
零樣本圖像分類
圖像檢索

使用案例

計算機視覺
零樣本圖像分類
無需特定訓練即可對圖像進行分類
在多個基準測試中表現優異
圖像檢索
基於文本查詢檢索相關圖像
能夠實現高質量的跨模態檢索
多模態應用
圖像標註
自動為圖像生成描述性文本
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase