Vit Base Patch32 Clip 224.datacompxl
基於CLIP架構的視覺Transformer模型,專為圖像特徵提取設計,使用DataComp XL數據集訓練
下載量 13
發布時間 : 12/24/2024
模型概述
該模型是CLIP框架中的圖像編碼器部分,採用Vision Transformer架構,能夠將輸入圖像轉換為有意義的特徵表示,適用於各種視覺任務。
模型特點
CLIP架構
基於對比學習的視覺-語言預訓練框架,能夠學習圖像和文本的聯合表示
ViT-B/32架構
使用32x32圖像塊的Vision Transformer基礎模型,平衡性能和計算效率
DataComp XL訓練
使用大規模DataComp XL數據集訓練,具有強大的泛化能力
模型能力
圖像特徵提取
視覺表示學習
跨模態檢索
使用案例
計算機視覺
圖像檢索
使用提取的圖像特徵進行相似圖像檢索
視覺問答
作為視覺編碼器用於多模態問答系統
多模態應用
圖文匹配
評估圖像和文本描述之間的相關性
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