V

Vit Huge Patch14 Clip 224.laion2b

由timm開發
基於CLIP框架的ViT-Huge視覺編碼器,使用laion2B數據集訓練,支持圖像特徵提取
下載量 1,969
發布時間 : 12/24/2024

模型概述

這是一個基於Vision Transformer架構的大型視覺編碼器模型,專門用於從圖像中提取高級特徵表示。作為CLIP模型的圖像編碼部分,它能夠將圖像映射到與文本對齊的語義空間。

模型特點

大規模預訓練
使用laion2B超大規模數據集進行預訓練,包含數十億圖像-文本對
高分辨率處理
支持224x224像素的輸入分辨率,適合處理細節豐富的圖像
跨模態對齊
作為CLIP模型的一部分,學習到的特徵空間與文本語義空間對齊
高效Transformer架構
採用Vision Transformer架構,具有強大的全局建模能力

模型能力

圖像特徵提取
視覺語義理解
跨模態表示學習
圖像分類
圖像檢索

使用案例

計算機視覺
零樣本圖像分類
利用CLIP框架實現無需特定訓練的圖像分類
圖像檢索
基於語義相似度的圖像搜索系統
多模態應用
圖文匹配
判斷圖像和文本描述是否匹配
視覺問答
作為多模態系統的視覺特徵提取模塊
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase