#OpenCLIP

OpenCLIP是一个先进的开源深度学习项目，专注于OpenAI的CLIP模型的实现和优化。该项目在多样化的数据源和不同的计算预算下成功训练出多个高效能模型，涵盖图像和文本嵌入、模型微调及新模型开发等多个领域。通过增强图像与语言的联合理解能力，OpenCLIP显著推动了人工智能技术的发展，拓宽了其应用领域。

CLIP ViT-L/14是一个基于DataComp-1B大规模数据集训练的多模态模型。在ImageNet-1k上达到79.2%的零样本分类准确率，可用于图像分类、检索等任务。该模型主要面向研究社区，旨在促进对零样本和任意图像分类的探索。由stability.ai提供计算资源支持，不建议直接用于部署或商业用途。

这是一系列基于LAION-5B数据集训练的CLIP ConvNeXt-Base模型。经过13B样本训练后，模型在ImageNet零样本分类中实现了70.8%以上的Top-1准确率，显示出比ViT-B/16更高的样本效率。模型使用timm的ConvNeXt-Base作为图像塔，并探索了增强图像增强和正则化的效果。作为首个在CLIP ViT-B/16和RN50x4规模下训练的ConvNeXt CLIP模型，它为零样本图像分类研究提供了新的选择。

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。

ViT-L-14-CLIPA-datacomp1B是一个基于CLIPA-v2架构的视觉-语言模型，在datacomp1B数据集上训练。该模型采用对比学习方法，能够进行零样本图像分类，在ImageNet上实现81.1%的准确率。通过OpenCLIP库，用户可以方便地进行图像和文本的特征编码。这个模型不仅性能优异，还具有训练成本低的特点，为计算机视觉研究提供了新的发展方向。

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。

DFN2B-CLIP-ViT-B-16通过Data Filtering Networks从12.8B对未筛选的数据中选出优质样本，提升CLIP模型训练效果。该模型在ImageNet 1k、CIFAR-10等数据集上表现优异，平均精度为0.609232，支持OpenCLIP，增强了图像与文本匹配能力。特别适合需要提升零样本图像分类准确性的用户。