AIbase
ZH
模型选型
标签
通用视觉表征

# 通用视觉表征

Webssl Dino1b Full2b 224
这是一个通过DINOv2自监督学习在20亿网络图像上训练的10亿参数视觉Transformer模型，无需语言监督即可学习视觉表示。
图像分类 Transformers
W
facebook
1,172
1
Vit Large Patch14 Dinov2.lvd142m
Apache-2.0
基于视觉Transformer（ViT）的图像特征模型，采用自监督DINOv2方法在LVD-142M数据集上预训练。
图像分类 Transformers
V
pcuenq
18
0
Sam2 Hiera Small.fb R896 2pt1
Apache-2.0
基于timm库的SAM2（仅HieraDet图像编码器）权重，源自Facebook的Hiera小型模型。
图像分割 Transformers
S
timm
67
0
CLIP ViT B 16 CommonPool.L.basic S1b B8k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
57
0
CLIP ViT B 32 CommonPool.M.clip S128m B4k
MIT
基于CLIP架构的零样本图像分类模型，支持通用池化功能
图像生成文本
C
laion
164
0
CLIP ViT B 32 CommonPool.M.text S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
68
0
CLIP ViT B 32 CommonPool.M S128m B4k
MIT
基于CLIP架构的零样本图像分类模型，支持通用视觉-语言任务
文本生成图像
C
laion
79
0
CLIP ViT B 32 CommonPool.S.text S13m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
57
0
CLIP ViT B 32 CommonPool.S.basic S13m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
图像生成文本
C
laion
53
0
AIbase
智启未来，您的人工智能解决方案智库
English简体中文繁體中文にほんご
© 2025AIbase