Logo
Project Icon

xclip-base-patch32

X-CLIP视频语言理解模型在Kinetics-400数据集上的应用

模型计算机视觉Github开源项目HuggingfaceX-CLIP深度学习自然语言处理视频分类

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。

GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
CLIP-ViT-B-32-roberta-base-laion2B-s12B-b32k - 零样本图像识别与跨模态检索应用
CLIP ViT-B/32GithubHuggingfaceOpenCLIP图像分类开源项目模型模型评估训练数据
该模型基于OpenCLIP，并利用LAION-5B中的LAION-2B英文子集进行训练，实现了有效的零样本图像分类和跨模态检索。在ImageNet、MSCOCO和Flickr30k测试集上的表现优于基线，适用于图像分类和生成等任务。训练过程中采用32k批次大小处理12B训练样本，并通过VTAB+、COCO和Flickr等数据集进行评估。
owlvit-base-patch32 - OWL-ViT：基于CLIP的开放词汇目标检测模型
CLIPGithubHuggingfaceOWL-ViT开源项目模型目标检测计算机视觉零样本学习
OWL-ViT是一种基于CLIP的目标检测模型，专注于开放词汇和零样本检测任务。它结合了ViT结构的视觉编码器和因果语言模型的文本编码器，通过端到端训练实现了灵活的文本条件目标检测。该模型支持单一或多个文本查询，能够在未见过的类别上进行定位和分类，为计算机视觉领域的研究提供了新的工具和方向。
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
GithubHuggingfaceMobileCLIPOpenCLIP图像文本模型多模态强化训练开源项目模型零样本图像分类
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。
videomae-base-finetuned-kinetics - VideoMAE模型基于自监督学习实现Kinetics-400数据集80.9%分类准确率
GithubHuggingfaceVideoMAE开源项目模型神经网络自监督学习视频分类计算机视觉
VideoMAE是一个基于MAE架构的视频分析模型，采用Vision Transformer结构。经过1600轮自监督预训练和有监督微调，该模型在Kinetics-400数据集上实现了80.9%的top-1准确率和94.7%的top-5准确率。模型将视频切分为16x16的图像块进行处理，支持400种视频类别的分类任务，可应用于视频内容分析和行为识别等领域。
siglip-base-patch16-256 - 改进CLIP的多模态预训练模型SigLIP
GithubHuggingfaceSigLIP图像分类多模态模型开源项目模型自然语言处理计算机视觉
SigLIP是一个基于CLIP改进的多模态预训练模型。它使用Sigmoid损失函数，在WebLI数据集上以256x256分辨率训练。相比CLIP，SigLIP在小批量和大规模批处理中都表现更好，适用于零样本图像分类和图像-文本检索任务。模型在多个基准测试中超越了CLIP，为图像-文本预训练领域带来了新进展。
CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg - 基于LAION-2B数据集的卷积神经网络达到79%零样本分类准确率
CLIPConvNextGithubHuggingface图像分类开源项目机器学习模型神经网络
CLIP ConvNeXt-XXLarge是一个在LAION-2B数据集上训练的大规模视觉语言模型，总参数量12亿，图像分辨率256x256。模型采用ConvNeXt-XXLarge图像结构和ViT-H-14规模的文本编码器，在ImageNet零样本分类上达到79%准确率。主要应用于图像分类、检索等研究任务。
CLIP-ViT-B-32-laion2B-s34B-b79K - 基于LAION-2B数据集训练的CLIP ViT-B/32零样本图像识别模型
CLIPGithubHuggingfaceLAION-2B图像分类多模态模型开源项目模型零样本学习
CLIP-ViT-B-32-laion2B-s34B-b79K是一个基于LAION-2B英文数据集训练的CLIP ViT-B/32模型，在ImageNet-1k上实现66.6%的零样本top-1准确率。该模型适用于零样本图像分类、图像文本检索等任务，由Stability AI提供算力支持，采用OpenCLIP框架训练。此模型为研究人员提供了探索零样本任意图像分类的有力工具。
clip - Habana Gaudi HPU优化的视觉语言模型配置与训练方案
CLIPGithubHugging FaceHuggingfaceOptimum Habana人工智能开源项目模型模型训练
Optimum Habana为Habana Gaudi处理器(HPU)提供了CLIP模型的优化配置，实现与Hugging Face库的集成。支持单机和多HPU环境下的模型操作，包含自定义AdamW、梯度裁剪和混合精度训练等优化。项目提供COCO数据集微调示例，展示了如何充分利用HPU性能进行视觉语言模型训练。
CLIP-convnext_base_w-laion2B-s13B-b82K-augreg - ConvNeXt-Base架构的CLIP模型用于高效图像分类
CLIPConvNeXtGithubHuggingfaceLAION-5B图像检索开源项目模型零样本图像分类
该项目提供了一系列基于ConvNeXt-Base架构的CLIP模型，在LAION-5B数据集子集上训练。这些模型作为ViT和ResNet的替代方案，在模型规模和图像分辨率方面展现出良好的可扩展性。经过13B样本训练，模型在ImageNet零样本分类任务中达到70.8%以上的top-1准确率，体现出较高的样本效率。这些模型可应用于零样本图像分类、图像文本检索等多种任务。
Chinese-CLIP - 中文多模态嵌入和检索性能优化的领先方案
Chinese-CLIPGithub图文特征提取开源项目模型下载跨模态检索零样本图像分类
Chinese-CLIP项目，基于大规模中文图文对数据，专门针对中文领域的特点进行优化，提供高效的图文特征计算与相似度测算，实现零样本分类和跨模态检索。该项目改进了多个模型，包括ViT与ResNet结构，并在多个公开数据集上展示了显著的性能提升，为中文处理场景下的企业和研究者提供强大工具。
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

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
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号