Project Icon

MobileCLIP-S2-OpenCLIP

高效图像-文本模型通过多模态强化训练实现性能突破

MobileCLIP-S2-OpenCLIP是一款基于多模态强化训练的高效图像-文本模型。相比SigLIP的ViT-B/16模型,它在性能上有所超越,同时速度提升2.3倍,模型体积缩小2.1倍,且仅使用了1/3的训练样本。在ImageNet零样本分类任务中,该模型达到74.4%的Top-1准确率,在38个数据集上的平均性能为63.7%,体现了出色的效率与性能平衡。

chinese-clip-vit-huge-patch14 - 基于ViT-H/14和RoBERTa的中文图文对比学习模型
Chinese-CLIPGithubHuggingface中文数据集图像编码器开源项目文本编码器检索模型
chinese-clip-vit-huge-patch14是一个基于ViT-H/14和RoBERTa-wwm-large的中文CLIP模型,在大规模中文图文数据上训练,表现卓越。支持在MUGE、Flickr30K-CN和COCO-CN等数据集中的图文检索和零样本分类。提供API实现简便的图文特征提取及相似度计算,详情请参见GitHub仓库。
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。
siglip-base-patch16-512 - 采用Sigmoid损失函数的开源计算机视觉模型
GithubHuggingfaceSigLIP图像分类图文匹配开源项目模型深度学习计算机视觉
SigLIP在CLIP架构基础上改进了损失函数设计,使用Sigmoid损失函数处理图像-文本对训练。该模型在WebLI数据集上预训练,支持512x512分辨率的图像输入,主要应用于零样本图像分类和图文检索。相比CLIP,新的损失函数无需全局相似度归一化,使模型在不同批量规模下都能保持稳定表现。
clip-vit-base-patch16 - CLIP-ViT:基于Transformers的零样本图像分类模型
GithubHuggingfaceONNXTransformers.js图像分类开源项目文本嵌入模型视觉嵌入
clip-vit-base-patch16是OpenAI CLIP模型的一个变种,专注于零样本图像分类任务。这个模型使用ONNX格式的权重,可与Transformers.js库无缝集成,方便在Web环境中应用。它不仅提供了易用的pipeline API用于图像分类,还支持独立的文本和图像嵌入计算功能。该模型在处理各种图像分析和跨模态任务时,能够在性能和计算效率之间保持良好平衡。
blip2-opt-6.7b-coco - 结合图像理解与自然语言处理的多模态AI系统
BLIP-2GithubHuggingfaceOPT-6.7b图像标注图像编码器开源项目模型视觉问答
BLIP-2是一种创新的视觉-语言AI系统,集成了CLIP图像编码器、查询转换器和OPT-6.7b大型语言模型。通过冻结预训练的图像编码器和语言模型,仅训练查询转换器,实现了视觉和语言的有效桥接。该模型能够完成图像描述、视觉问答和基于图像的对话等多样化任务。尽管BLIP-2继承了OPT模型的强大能力,但研究人员在应用时需要注意评估其在特定场景中可能存在的偏见和安全风险。
clip-ViT-B-32-vision - 图像分类与相似性搜索的简便工具
FastEmbedGithubHuggingfaceONNXimage-classification开源项目模型模型推理视觉相似搜索
clip-ViT-B-32模型的ONNX版本,支持图像分类和相似性搜索。利用FastEmbed库,用户能够快速处理图像嵌入,该模型在视觉任务中表现出色,适用于多种应用场景。
vit_large_patch14_clip_336.openai - 通过CLIP模型探索计算机视觉鲁棒性
CLIPGithubHuggingfaceOpenAI偏见开源项目数据集模型计算机视觉
OpenAI开发的CLIP模型通过ViT-L/14 (336x336)架构提高视觉任务的鲁棒性,专注于零样本图像分类,供研究人员深入探索。这个模型针对英语场景,其数据主要源自发达国家的互联网用户,目前不建议用于商用部署,但在学术界具备多学科研究的重要价值。
mobilevitv2_075.cvnets_in1k - MobileViT-v2:高效的移动视觉变换器图像分类解决方案
GithubHuggingfaceImageNet-1kMobileViT-v2Separable Self-attention图像分类开源项目模型特征提取
MobileViT-v2是一个高效的移动视觉变换器模型,利用分离自注意力机制优化了图像分类与特征提取。经过ImageNet-1k数据集训练,该模型适配多种计算机视觉任务。模型规格包括2.9M参数和1.1 GMAC,支持256x256图像输入。借助timm库,模型可轻松集成至移动设备的视觉处理应用中。
siglip-base-patch16-256-multilingual - 基于Sigmoid损失函数的多语言视觉语言模型
GithubHuggingfaceSigLIPWebLI数据集图像分类多模态模型开源项目模型零样本学习
SigLIP是一个基于CLIP架构的多语言视觉语言模型,通过Sigmoid损失函数优化训练效果。模型在WebLI数据集上以256x256分辨率预训练,实现零样本图像分类和图文检索功能。相比CLIP模型,在批量处理和整体性能上都有提升。模型经过16个TPU-v4芯片训练,支持多语言处理,主要应用于图像分类和跨模态检索任务。
chinese-clip-vit-large-patch14 - 结合ViT-L/14和RoBERTa-wwm-base的中文图文对比模型
Chinese-CLIPGithubHuggingface图像编码器图文相似度开源项目文本编码器模型零样本分类
这一模型采用ViT-L/14和RoBERTa-wwm-base进行编码,在大规模中文图文数据集上训练,支持高效的图文嵌入和相似度计算。项目提供直观的API和多项任务评估,展现了在零样本图像分类和图文检索上的杰出表现。
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