Vit Base Patch16 Siglip 256.v2 Webli

🚀 vit_base_patch16_siglip_256.v2_webli模型卡片

本項目是適用於timm的SigLIP 2 ViT（僅圖像編碼器）模型，與https://huggingface.co/timm/ViT-B-16-SigLIP2-256中的圖像塔模型等效。

🚀 快速開始

本模型是SigLIP 2 ViT圖像編碼器，可用於圖像特徵提取等任務。

✨ 主要特性

• 基於SigLIP 2技術，具備多語言視覺 - 語言編碼能力。
• 能提升語義理解、定位和提取密集特徵的能力。

📚 詳細文檔

模型詳情

引用信息

@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。