AIbase
TW
模型選型
標籤
視覺-語言模型

# 視覺-語言模型

Siglip2 X256 Explicit Content
Apache-2.0
基於SigLIP 2架構微調的視覺-語言編碼模型，專門用於多類別圖像分類，尤其適用於敏感、暗示性或安全媒體的過濾。
圖像分類 Transformers 英語
S
prithivMLmods
247
8
Vit GPT2 Image Captioning Model
基於ViT-GPT2架構的圖像描述生成模型，能夠將輸入圖像轉換為描述性文本
圖像生成文本 Transformers
V
motheecreator
142
0
Test Push
Apache-2.0
distilvit是一個基於VIT圖像編碼器和蒸餾版GPT-2文本解碼器的圖像轉文本模型，能夠生成圖像的文本描述。
圖像生成文本 Transformers
T
tarekziade
17
0
Vit Base Patch16 224 Distilgpt2
Apache-2.0
DistilViT 是一個基於視覺Transformer(ViT)和蒸餾版GPT-2的圖像描述生成模型，能夠將圖像轉換為文本描述。
圖像生成文本 Transformers
V
tarekziade
17
0
Thai Trocr Thaigov V2
基於視覺編碼器-解碼器架構的泰文手寫識別模型，適用於各類泰文OCR任務
圖像生成文本 Transformers 其他
T
kkatiz
339
13
Donut Receipt V2
MIT
基於naver-clova-ix/donut-base微調的模型，可能用於收據識別或文檔理解任務
大型語言模型 Transformers
D
mychen76
31
0
Donut Base Receipt
MIT
基於naver-clova-ix/donut-base微調的收據識別模型
大型語言模型 Transformers
D
hyunguk1
19
0
Vit Gpt2 Image Captioning
Apache-2.0
這是一個基於Vision Encoder-Decoder架構的圖像描述生成模型，能夠為輸入圖像生成自然語言描述。
圖像生成文本 Transformers
V
baseplate
55
2
Vit Base Patch16 224 In21k Gpt2 Finetuned To Pokemon Descriptions
基於ViT和GPT2架構的視覺-語言模型，專門針對寶可夢描述生成任務進行了微調
文本生成 Transformers
V
tkarr
29
0
Clipseg Rd16
Apache-2.0
基於CLIP的零樣本和單樣本圖像分割模型，支持文本和圖像提示
圖像分割 Transformers
C
CIDAS
5,256
0
Groupvit Gcc Yfcc
GroupViT是一種視覺-語言模型，能夠在任何給定的詞彙類別上執行零樣本語義分割。
文本生成圖像 Transformers
G
nvidia
3,473
6
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase