Project Icon

chinese-clip-vit-base-patch16

中文数据驱动的多模态对比学习工具

项目通过ViT和RoBERTa实现了中文CLIP模型,支持图像和文本的嵌入计算及相似性分析,具备零样本学习和图文检索功能。该模型在多项基准测试中表现优秀,包括MUGE、Flickr30K-CN等。结合其官方API,用户可轻松实现多场景中的图文转换与识别。详细信息和实施教程可在GitHub获取。

metaclip-h14-fullcc2.5b - 大规模视觉语言模型基于25亿CommonCrawl数据训练
GithubHuggingfaceMetaCLIP多模态学习开源项目模型自然语言处理计算机视觉零样本分类
MetaCLIP是一个基于25亿CommonCrawl数据点训练的大规模视觉语言模型。该模型由Xu等人在《Demystifying CLIP Data》论文中提出,旨在解析CLIP的数据准备流程。MetaCLIP支持图像与文本的联合嵌入,可应用于零样本图像分类、文本图像检索等任务。作为一个开源项目,MetaCLIP为研究人员提供了探索大规模视觉语言模型的新方向,有助于推进计算机视觉和自然语言处理领域的发展。
xclip-base-patch32 - X-CLIP视频语言理解模型在Kinetics-400数据集上的应用
GithubHuggingfaceX-CLIP开源项目模型深度学习自然语言处理视频分类计算机视觉
xclip-base-patch32是一个基于CLIP架构的视频语言理解模型,通过Kinetics-400数据集进行全监督训练。该模型支持零样本、少样本及全监督视频分类,以及视频文本检索等任务。在224x224分辨率和每视频8帧的训练条件下,模型在Kinetics-400测试集上达到80.4%的top-1准确率和95.0%的top-5准确率,展现出优秀的视频分类性能。
CLIP-ViT-B-16-laion2B-s34B-b88K - 基于LAION-2B数据集训练的CLIP零样本图像分类模型
CLIPGithubHuggingfaceLAION-2B图像分类多模态模型开源项目模型零样本学习
CLIP-ViT-B-16-laion2B-s34B-b88K是基于LAION-2B英文数据集训练的CLIP ViT-B/16模型,在ImageNet-1k上达到70.2%的零样本Top-1准确率。该模型适用于零样本图像分类、图像文本检索等任务,也可用于图像分类微调、线性探测分类和图像生成引导等下游任务。本模型主要面向研究用途,不适合直接应用于商业场景。
CLIP-ViT-g-14-laion2B-s12B-b42K - 用于零样本图像分类的先进研究工具
CLIP ViT-g/14GithubHuggingfaceLAION-5B图像分类多模态模型开源项目模型零样本学习
该模型专为研究社区而设计,采用LAION-5B数据集中的英语子集进行训练。它帮助研究人员探索零样本与任意图像分类的可能性,适用于跨学科的研究。该模型仅推荐用于研究目的,不适合用于商业化或未经测试的环境,并强调确保其安全和适当使用。
CLIP-ViT-bigG-14-laion2B-39B-b160k - CLIP-ViT-bigG-14模型实现高效零样本图像分类与检索
CLIPGithubHuggingfaceLAION-2BViT-bigG/14开源模型开源项目模型零样本图像分类
CLIP-ViT-bigG-14-laion2B-39B-b160k是基于LAION-2B数据集训练的大规模视觉语言模型。该模型在零样本图像分类、图像文本检索等任务中表现出色,在ImageNet-1k测试中实现80.1%的零样本top-1准确率。模型采用ViT-bigG/14架构,由stability.ai提供计算资源支持。虽然适合研究人员探索零样本分类和跨模态学习,但目前不建议直接应用于商业场景。
ViT-SO400M-14-SigLIP - 基于SigLIP的视觉-语言模型实现零样本图像分类
GithubHuggingfaceSigLIPViT图像分类开源项目机器学习模型自然语言处理
ViT-SO400M-14-SigLIP是基于WebLI数据集训练的视觉-语言预训练模型,采用sigmoid损失函数进行图像和文本的联合学习。该模型在零样本图像分类任务中表现出色,具有良好的跨模态理解能力。通过OpenCLIP和timm库,用户可以方便地使用该模型生成图像和文本嵌入。ViT-SO400M-14-SigLIP适用于图像分类、图像检索等多种计算机视觉和自然语言处理任务。
CLIP-ViT-L-14-DataComp.XL-s13B-b90K - 基于DataComp-1B数据集训练的零样本图像分类器
CLIPDataComp-1BGithubHuggingfaceOpenCLIP多模态模型开源项目模型零样本图像分类
CLIP ViT-L/14是一个基于DataComp-1B大规模数据集训练的多模态模型。在ImageNet-1k上达到79.2%的零样本分类准确率,可用于图像分类、检索等任务。该模型主要面向研究社区,旨在促进对零样本和任意图像分类的探索。由stability.ai提供计算资源支持,不建议直接用于部署或商业用途。
metaclip-b16-fullcc2.5b - CLIP训练数据解构与MetaCLIP模型应用
CommonCrawlGithubHugging FaceHuggingfaceMetaCLIP图像分类开源项目数据管理模型
MetaCLIP模型利用25亿个CommonCrawl数据点,在共享嵌入空间中实现图像与文本的链接应用。实现零样本图像分类、文本驱动的图像检索及图像驱动的文本检索。《Demystifying CLIP Data》论文揭示了CLIP数据训练方法,促进多模态应用发展。
owlv2-base-patch16-finetuned - 介绍OWLv2模型在零样本物体检测中的应用与发展
CLIPGithubHuggingfaceOWLv2对象检测开源项目模型计算机视觉零样本检测
OWLv2模型是用于零样本物体检测的一个创新模型,使用CLIP作为多模态基础,同时采用ViT型Transformer以提取视觉特征,并通过因果语言模型获取文本特征。此模型的最大特点是其开放词汇分类功能,通过将固定分类层权重替换为文本模型中的类别名称嵌入实现。在常见检测数据集上,CLIP从头训练并微调,以学习精确的对象检测方法。此工具为AI研究人员提供了在计算机视觉领域探索鲁棒性、泛化和其他能力的机会。
DFN5B-CLIP-ViT-H-14-378 - 大规模数据筛选优化的视觉语言预训练系统
CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉
DFN5B-CLIP-ViT-H-14-378是一款基于CLIP架构的视觉语言模型,采用数据过滤网络(DFN)技术从43B未筛选的图像-文本对中提取5B高质量数据进行训练。该模型在多项视觉任务中表现优异,平均准确率达70.94%。支持零样本图像分类,可与OpenCLIP框架无缝集成,为计算机视觉和自然语言处理研究提供了高性能的预训练模型基础。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号