Project Icon

siglip-base-patch16-256

改进CLIP的多模态预训练模型SigLIP

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-ViT-H-14-laion2B-s32B-b79K - 基于LAION-2B数据集的多功能视觉-语言模型
CLIPGithubHuggingfacezero-shot图像分类开源项目数据集机器学习模型
CLIP-ViT-H-14-laion2B-s32B-b79K是基于LAION-2B数据集训练的视觉-语言模型。该模型在ImageNet-1k上达到78.0%的零样本Top-1准确率,适用于图像分类、图像文本检索等任务。此外,它还支持图像分类微调、线性探测和图像生成指导等下游应用。研究人员可借助该模型探索零样本图像分类技术,并评估其潜在影响。
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。
marqo-fashionSigLIP - 基于SigLIP的时尚图像搜索模型实现多模态检索精准度提升
GithubHuggingfaceSigLIP产品搜索图像分类开源项目时尚检索模型深度学习
Marqo-FashionSigLIP是一个时尚领域多模态嵌入模型,针对服装图像的文本描述、类别、风格等特征进行训练。该模型在检索准确度上较传统fashion-clip提升57%,支持主流深度学习框架,适用于电商图像搜索和商品分类场景。
chinese-clip-vit-large-patch14 - 结合ViT-L/14和RoBERTa-wwm-base的中文图文对比模型
Chinese-CLIPGithubHuggingface图像编码器图文相似度开源项目文本编码器模型零样本分类
这一模型采用ViT-L/14和RoBERTa-wwm-base进行编码,在大规模中文图文数据集上训练,支持高效的图文嵌入和相似度计算。项目提供直观的API和多项任务评估,展现了在零样本图像分类和图文检索上的杰出表现。
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。
AltCLIP - AltCLIP提升中英文视觉语言理解的双语模型
AltCLIPCLIPGithubHuggingfaceStable Diffusion双语模型开源项目文本图像表示模型
AltCLIP是一个双语CLIP模型,通过平行知识蒸馏和双语对比学习提升中英文视觉语言理解能力。在文本-图像检索任务中表现优异,为跨语言视觉应用提供了新可能。该模型支持AltDiffusion,可用于文本生成图像等应用。项目已开源代码和权重,并提供训练和使用说明。
ViT-L-16-HTxt-Recap-CLIP - 对比图文模型在零样本图像分类中的新进展
CLIPGithubHuggingfaceLLaMA-3图像分类对比学习开源项目数据集偏见模型
这个模型利用Recap-DataComp-1B数据集训练,旨在实现零样本图像分类。通过OpenCLIP库,用户能够编码和分类图像与文本。模型的数据源自网络抓取并经过重新标注,可能会包含偏见或不准确之处,请在使用时注意这些风险。更多数据集详情可以查阅数据集卡片页面。
owlv2-base-patch16-ensemble - 基于CLIP的开放词汇目标检测模型
CLIPGithubHuggingfaceOWLv2开源项目模型目标检测计算机视觉零样本学习
OWLv2是一个基于CLIP的开放词汇目标检测模型。它使用ViT-B/16和masked self-attention Transformer分别作为图像和文本编码器,通过对比学习训练。该模型支持多文本查询的零样本目标检测,无需预定义类别。OWLv2在开放词汇目标检测任务中表现优异,为计算机视觉研究开辟了新方向。
paligemma-3b-pt-224 - 基于SigLIP和Gemma的多功能视觉语言模型
GithubHuggingfacePaliGemma图像处理多语言开源项目模型自然语言处理视觉语言模型
PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。
TinyCLIP-ViT-40M-32-Text-19M-LAION400M - 基于亲和力模仿和权重继承的CLIP模型压缩方法
GithubHuggingfaceLAION400MTinyCLIP图像识别开源项目模型模型压缩深度学习
TinyCLIP是一种用于压缩大规模语言-图像预训练模型的跨模态蒸馏方法,采用亲和力模仿和权重继承技术。实验显示,TinyCLIP ViT-45M/32使用ViT-B/32一半的参数达到相似的零样本性能;TinyCLIP ResNet-19M在参数量减少50%的情况下,推理速度提升2倍,在ImageNet数据集上实现56.4%的准确率。
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