懂AI
CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup

CLIP ConvNeXt-XXLarge模型在零样本图像分类上的卓越性能

CLIP ConvNeXt-XXLarge是基于LAION-2B数据集训练的大规模视觉-语言模型。它在ImageNet零样本分类任务中实现79.4%的准确率,成为首个非ViT架构突破79%的CLIP模型。该模型结合847M参数的ConvNeXt-XXLarge图像塔和ViT-H-14规模的文本塔,在计算效率和性能间达到平衡,为视觉-语言模型研究开辟新方向。

CLIP模型零样本图像分类计算机视觉GithubConvNeXt深度学习Huggingface开源项目
GitHubHugging Face论文文档

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup项目介绍

项目概述

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup是一个基于CLIP(Contrastive Language-Image Pre-training)框架的大规模视觉-语言模型。该项目由LAION团队开发，旨在推动卷积神经网络在CLIP任务中的性能极限，使其达到或超越ViT(Vision Transformer)模型的水平。

模型特点

  1. 使用ConvNeXt-XXLarge作为图像塔，是目前最大的已发布的预训练ConvNeXt模型，拥有8.47亿参数。

  2. 在256x256分辨率的图像输入下，模型在ImageNet数据集上实现了79.4%的零样本分类准确率，创造了非ViT图像塔CLIP模型的新纪录。

  3. 模型规模适中，在参数量和计算量上介于ViT-H和ViT-G之间，但激活量较低，有利于提高推理效率。

  4. 采用"模型汤"(Model Soup)技术，将多个训练阶段的模型权重进行平均，进一步提升了性能。

训练细节

  1. 训练数据：使用LAION-2B数据集，这是LAION-5B的一个20亿样本的英文子集。

  2. 训练过程：主要训练阶段使用81920的全局批量大小，历时约2个月，共处理了约340亿个样本。

  3. 训练困难：在训练过程中遇到了数值稳定性和集群稳定性的挑战，通过调整优化器参数和使用bfloat16精度等方法得以解决。

  4. 模型微调：在训练的最后10%阶段，使用更大的批量大小(95744)和更高的学习率进行了重新训练。

评估结果

  1. 在ImageNet-1k数据集上，模型实现了79.1%到79.4%的零样本top-1准确率。

  2. 在VTAB+等多个基准测试集上进行了广泛的评估，表现优异。

应用场景

  1. 零样本图像分类
  2. 图像和文本检索
  3. 图像分类任务的微调和线性探测
  4. 图像生成的引导和条件控制

局限性

  1. 模型仅在英语语境下训练和评估，不适用于其他语言。
  2. 不建议直接用于部署商业产品，需要进行更多的安全性和公平性评估。
  3. 不应用于监视和人脸识别等可能引发伦理问题的场景。

总的来说，CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup项目展示了卷积神经网络在大规模视觉-语言预训练任务中的巨大潜力，为研究人员提供了一个强大的工具来探索零样本学习和跨模态理解的前沿。

编辑推荐精选

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

下拉加载更多