chinese-clip-vit-base-patch16

中文数据驱动的多模态对比学习工具

Github 模型开源项目零样本学习深度学习 Chinese-CLIP 图像识别 Huggingface 多模态检索

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。

ViT-L-16-SigLIP-384 - 基于SigLIP的先进视觉语言模型实现零样本图像分类

GithubHuggingfaceSigLIP图像分类开源项目模型深度学习自然语言处理计算机视觉

ViT-L-16-SigLIP-384是一个在WebLI数据集上训练的SigLIP模型，专门用于语言-图像预训练。这个模型支持对比式图像-文本学习和零样本图像分类，已从JAX格式转换为PyTorch，可兼容OpenCLIP和timm库。它在视觉-语言处理方面表现出色，能够应用于多种计算机视觉任务，如图像分类和跨模态检索。

ViT-B-16-SigLIP - 基于WebLI数据集的SigLIP视觉语言模型

GithubHuggingfaceSigLIPViT-B-16WebLI图像文本对比开源项目模型零样本图像分类

ViT-B-16-SigLIP是一个在WebLI数据集上训练的视觉语言模型，使用Sigmoid损失函数进行预训练。该模型支持对比学习和零样本图像分类任务，可通过OpenCLIP和timm库使用。ViT-B-16-SigLIP在图像-文本对齐和特征提取方面具有良好性能，适用于计算机视觉和自然语言处理的交叉应用研究。

jina-clip-v1 - 集成文本图像检索与文本相似度分析的多模态嵌入模型

CLIPGithubHuggingfaceJina AI图像检索多模态嵌入开源项目文本检索模型

jina-clip-v1是Jina AI开发的英语多模态嵌入模型，支持高效文本-图像和文本-文本检索。它结合了传统文本嵌入和跨模态模型的优势，适用于多模态检索增强生成应用。该模型在Flickr和MSCOCO跨模态检索任务中表现出色，文本相似度评估能力也与专业文本嵌入模型相当。

clip4clip-webvid150k - 改进视频检索精度的解决方案

CLIP4ClipGithubHugging FaceHuggingfaceWebVid开源项目模型模型评估视频检索

CLIP4Clip结合CLIP模型和WebVid数据集，成功在视频文本检索中提高精度，利用150,000个视频文本对的训练提升性能。此模型擅长处理大规模视频数据，具备视觉-时间概念学习能力，适合高效视频搜索应用。其架构支持文本到视频的快速检索，提升搜索效率。

vit-base-patch32-224-in21k - Vision Transformer模型在2100万图像数据集上预训练

GithubHuggingfaceImageNet-21kVision Transformer图像识别开源项目模型深度学习计算机视觉

Vision Transformer (ViT) 是一种基于transformer架构的视觉模型，在ImageNet-21k数据集上预训练。该模型将图像转换为固定大小的patch序列，通过线性嵌入和位置编码输入transformer编码器。ViT可应用于图像分类等多种视觉任务，只需在预训练编码器上添加任务特定层。模型在224x224分辨率下训练，批量大小为4096，在多项图像分类基准测试中展现出优秀性能。

clip-japanese-base - 日语CLIP模型，支持图像和文本的零样本分类与检索

BERTCLIPGithubHuggingface图像分类开源项目文本检索模型视觉任务

该日语CLIP模型由LY Corporation开发，通过大约10亿对图文数据进行训练，适用于图像和文本的零样本分类与检索。该模型采用Eva02-B作为图像编码器，并使用12层BERT作为文本编码器。模型在图像分类中的准确率达到0.89，检索召回率为0.30。在评估中，使用了STAIR Captions和ImageNet-1K等数据集，表现优秀。模型已开源，遵循Apache 2.0协议。

StreetCLIP - 开域图像地理定位的高性能零样本学习模型

GithubHuggingfaceOpenAIStreetCLIP图像地理定位城市场景开源项目模型零样本学习

StreetCLIP是一个在开域图像地理定位中实现零样本学习的预训练模型，基于OpenAI的CLIP ViT，通过1.1百万街景图像进行训练，与传统监督模型相比具有更优性能，适用于城市和乡村环境。该模型能够将图像特征与特定地理位置关联，可应用于建筑分析、自然环境监测、基础设施检查等多种领域，并有助于导航和自动驾驶技术的改进。

ViT-SO400M-14-SigLIP-384 - 采用SigLIP技术的大规模视觉-语言预训练模型

GithubHuggingfaceSigLIPViT-SO400M-14WebLI图像文本对比开源项目模型零样本图像分类

ViT-SO400M-14-SigLIP-384是一个在WebLI数据集上训练的大规模视觉-语言预训练模型。该模型采用SigLIP（Sigmoid Loss for Language-Image Pre-training）技术，适用于对比学习和零样本图像分类任务。模型提供了与OpenCLIP和timm库的兼容性，支持图像和文本编码。研究人员可将其应用于图像分类、检索等多种视觉-语言任务中。

ViT-L-16-SigLIP-256 - 用于零样本图像分类的对比式图像文本模型

GithubHuggingfaceSigLIPWebLI对比学习开源项目模型语言图像预训练零样本图像分类

模型以WebLI数据集进行训练，兼容OpenCLIP与timm库，支持图像与文本的任务。通过SigLIP方法增强语言与图像的预训练能力，实现零样本图像分类。该模型由JAX格式转为PyTorch，更易集成至现有机器学习流程，具备多平台适应性。

BiomedCLIP-PubMedBERT_256-vit_base_patch16_224 - 基于PubMedBERT的生物医学视觉语言基础模型

BiomedCLIPGithubHuggingfacePubMedBERT图像分类开源项目模型生物医学视觉语言处理

BiomedCLIP是一个生物医学视觉语言基础模型，集成了PubMedBERT和Vision Transformer技术。该模型通过1500万医学图像-文本对的预训练，能够执行跨模态检索和图像分类等任务。在多个标准数据集上，BiomedCLIP显著提升了性能基准。这一模型为生物医学视觉语言处理研究奠定了坚实基础，在放射学等领域具有广泛应用前景。

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com