AIbase
TW
模型選型
標籤
通用視覺表徵

# 通用視覺表徵

Webssl Dino1b Full2b 224
這是一個通過DINOv2自監督學習在20億網絡圖像上訓練的10億參數視覺Transformer模型，無需語言監督即可學習視覺表示。
圖像分類 Transformers
W
facebook
1,172
1
Vit Large Patch14 Dinov2.lvd142m
Apache-2.0
基於視覺Transformer（ViT）的圖像特徵模型，採用自監督DINOv2方法在LVD-142M數據集上預訓練。
圖像分類 Transformers
V
pcuenq
18
0
Sam2 Hiera Small.fb R896 2pt1
Apache-2.0
基於timm庫的SAM2（僅HieraDet圖像編碼器）權重，源自Facebook的Hiera小型模型。
圖像分割 Transformers
S
timm
67
0
CLIP ViT B 16 CommonPool.L.basic S1b B8k
MIT
基於CLIP架構的視覺-語言模型，支持零樣本圖像分類任務
文本生成圖像
C
laion
57
0
CLIP ViT B 32 CommonPool.M.clip S128m B4k
MIT
基於CLIP架構的零樣本圖像分類模型，支持通用池化功能
圖像生成文本
C
laion
164
0
CLIP ViT B 32 CommonPool.M.text S128m B4k
MIT
基於CLIP架構的視覺-語言模型，支持零樣本圖像分類任務
文本生成圖像
C
laion
68
0
CLIP ViT B 32 CommonPool.M S128m B4k
MIT
基於CLIP架構的零樣本圖像分類模型，支持通用視覺-語言任務
文本生成圖像
C
laion
79
0
CLIP ViT B 32 CommonPool.S.text S13m B4k
MIT
基於CLIP架構的視覺-語言模型，支持零樣本圖像分類任務
文本生成圖像
C
laion
57
0
CLIP ViT B 32 CommonPool.S.basic S13m B4k
MIT
基於CLIP架構的視覺-語言模型，支持零樣本圖像分類任務
圖像生成文本
C
laion
53
0
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