Project Icon

CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k

具备零样本学习与多语言支持的图像模型

该模型基于LAION-5B数据集和OpenCLIP技术,能够进行零样本图像分类和图像-文本检索。通过结合CLIP ViT-B/32和xlm roberta,这一模型在各种图像任务中显示出较高性能。同时,其多语言能力经验证,可提升imagenet1k等多语言数据集上的表现,尤其在意大利语和日语测试中效果显著。依托于高效的OpenCLIP训练,模型在mscooco和flickr30k数据集上有较大性能提升,是图像生成与分类的可靠选择。

clip-vit-base-patch32 - 使用Xenova/clip-vit-base-patch32实现Transformers.js的零样本图像分类
GithubHuggingfaceJavaScript库ONNXTransformers.jsopenai/clip-vit-base-patch32图像分类开源项目模型
在Transformers.js中实现ONNX权重兼容性,支持进行零样本图像分类,使用模型Xenova/clip-vit-base-patch32。通过简单的npm安装Transformers.js库,利用pipeline API实现图像和标签的高效匹配。此项目旨在为WebML的未来发展提供一个过渡方案,建议将模型转换为ONNX格式以便于网络使用。
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。
TinyCLIP-ViT-8M-16-Text-3M-YFCC15M - 高效压缩CLIP模型的跨模态蒸馏方法
CLIPGithubHuggingfaceTinyCLIP图像分类开源项目模型视觉语言预训练跨模态蒸馏
TinyCLIP是一种创新的跨模态蒸馏方法,专门用于压缩大规模语言-图像预训练模型。该方法通过亲和力模仿和权重继承两项核心技术,有效利用大规模模型和预训练数据的优势。TinyCLIP在保持comparable零样本性能的同时,显著减少了模型参数,实现了速度和精度的最佳平衡。这一技术为高效部署CLIP模型提供了实用解决方案,在计算资源受限的场景下尤其有价值。
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。
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。
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。
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。
roberta-base-zeroshot-v2.0-c - 商用优化的零样本文本分类工具
GithubHugging FaceHuggingfacezeroshot分类商业友好数据开源项目模型模型训练自然语言推理
该系列模型专为Hugging Face平台优化,支持在GPU和CPU上进行零样本分类,无需预先训练数据。最近的改进包括基于商业友好的数据集训练,能满足严苛的许可条件。roberta和deberta系列以合理的准确性和速度满足不同需求,可用于多种语言和大范围文本输入,非常适合全球多样化的应用场景。最新的模型更新可在Zeroshot Classifier Collection中查阅,确保多种使用环境下的合规性。
OpenAI-CLIP - 从零开始实现CLIP模型:探索文本与图像的多模态关联
CLIPGithubOpenAI图像编码器多模态开源项目文本编码器
本项目实现了CLIP模型,基于PyTorch进行开发,通过训练文本和图像数据,探索其相互关系。详细的代码指南和实用工具展示了模型在自然语言监督任务中的表现和实际应用,适合多模态学习的研究者和开发者使用。
xlm-roberta-large-xnli - XLM-RoBERTa基于XNLI的多语言零样本文本分类模型
GithubHuggingfaceXLM-RoBERTa多语言开源项目文本分类模型自然语言推理零样本分类
xlm-roberta-large-xnli是一个基于XLM-RoBERTa大型模型微调的多语言自然语言推理模型。该模型支持15种语言的零样本文本分类,包括英语、法语和西班牙语等。经过XNLI数据集训练后,模型可用于跨语言文本分类任务。它提供简单的pipeline接口,便于进行多语言零样本分类。此模型适用于需要在多种语言中进行文本分类的应用场景,尤其适合非英语语言的分类任务。
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