CLIP-ViT-B-32-256x256-DataComp-s34B-b86K

基于DataComp训练的CLIP多模态视觉语言模型

开源项目模型 Github ViT-B-32 机器学习 Huggingface CLIP DataComp-1B 图像分类

CLIP ViT-B/32是一个在DataComp-1B数据集上训练的视觉语言模型，通过OpenCLIP框架实现。模型在ImageNet-1k分类任务中实现72.7%零样本准确率，支持图像分类、跨模态检索等研究任务。该开源项目为计算机视觉研究提供了重要的实验基础

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。

vit_large_patch14_clip_224.openai_ft_in12k_in1k - 视觉变压器用于图像分类和特征嵌入的高级应用

CLIPGithubHuggingfaceVision TransformerWIT-400M图像分类开源项目模型模型比较

OpenAI开发的视觉变压器(ViT)模型在WIT-400M图像文本对上通过CLIP进行预训练，并在ImageNet-12k和ImageNet-1k上微调，适用于图像分类与特征嵌入生成。模型运行在timm库中，具有高参数量与计算效率，适用于高精度图像识别，支持实时与批量处理应用。

CLIP-ReID - 基于CLIP的无标签图像重识别新方法

CLIP-ReIDGithub人工智能图像重识别开源项目视觉语言模型计算机视觉

CLIP-ReID提出了一种无需具体文本标签的图像重识别新方法。该方法基于CLIP视觉-语言模型,结合CNN和ViT架构,并运用SIE和OLP等技术进行优化。在MSMT17等多个基准数据集上,CLIP-ReID展现了领先的性能,为图像重识别领域开辟了新的研究方向。

InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解

GithubHuggingfaceInternVL2人工智能多模态大语言模型开源项目模型自然语言处理计算机视觉

InternVL2-1B是一款新型多模态大语言模型，结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异，能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出，部分能力可与商业模型比肩。通过采用8k上下文窗口训练，该模型大幅提升了处理长输入序列的能力。

blip-itm-base-coco - BLIP模型革新视觉语言理解和生成技术

BLIPGithubHuggingface图像描述图像文本匹配多模态模型开源项目模型视觉语言预训练

BLIP是一个创新的视觉语言预训练框架，通过引导式方法有效利用网络数据。该模型在图像-文本检索、图像描述和视觉问答等任务上表现出色，并能零样本迁移到视频-语言任务。BLIP不仅提高了视觉语言理解和生成的性能，还为这一领域的统一应用开创了新的可能性。

XLM-Roberta-Large-Vit-B-16Plus - 支持50多种语言的多模态视觉语言模型

GithubHuggingfaceXLM-Roberta图像识别多语言CLIP开源项目机器学习模型自然语言处理

XLM-Roberta-Large-Vit-B-16Plus是一个多语言视觉语言模型，扩展了CLIP模型至50多种语言。该模型包含多语言文本编码器，可与Vit-B-16Plus图像编码器协同工作。在多语言MS-COCO数据集的文本-图像检索任务中，它在11种语言中均表现出色。模型能够从多语言文本和图像中提取特征向量，适用于跨语言的图像文本匹配应用。

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。

siglip-base-patch16-384 - 改进型CLIP架构的图像文本预训练模型

GithubHuggingfaceSigLIP图像分类多模态模型开源项目模型深度学习计算机视觉

SigLIP是基于CLIP架构的多模态模型，通过Sigmoid损失函数优化了图像文本预训练过程。模型在WebLI数据集完成预训练，支持零样本图像分类和文本检索任务。其特点是无需全局相似度标准化，既可支持大规模批量训练，也适用于小批量场景。

clip-vision-model-tiny - 轻量级AI图像处理与分析视觉模型

GithubHuggingfaceMIT协议代码许可开源协议开源项目模型许可证软件授权

基于MIT许可证开发的轻量级图像视觉模型，采用紧凑架构设计，具备高效的图像处理和分析能力。该开源项目适用于快速部署场景，可在资源受限环境中保持准确的图像识别表现。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com