Vit Large Patch14 Clip 224.datacompxl
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
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98