vit_large_patch14_clip_224.openai_ft_in12k_in1k

视觉变压器用于图像分类和特征嵌入的高级应用

模型比较开源项目模型 Github Huggingface WIT-400M 图像分类 CLIP Vision Transformer

OpenAI开发的视觉变压器(ViT)模型在WIT-400M图像文本对上通过CLIP进行预训练，并在ImageNet-12k和ImageNet-1k上微调，适用于图像分类与特征嵌入生成。模型运行在timm库中，具有高参数量与计算效率，适用于高精度图像识别，支持实时与批量处理应用。

ViT-B-32__openai - CLIP模型的ONNX导出版本用于图像和文本嵌入生成

CLIPGithubHuggingfaceImmich图像编码器开源项目文本编码器模型自托管照片库

ViT-B-32__openai项目是CLIP模型的ONNX导出版本，将视觉和文本编码器分离为独立模型。这种设计适用于生成图像和文本嵌入，特别针对Immich自托管照片库。该项目可用于处理大量图像和文本数据，有助于改进图像检索和跨模态搜索功能。

vit_small_patch14_dinov2.lvd142m - 基于Vision Transformer的自监督图像特征提取模型

DINOv2GithubHuggingfaceVision Transformertimm图像分类开源项目模型特征提取

这是一个基于Vision Transformer架构的图像特征提取模型。该模型采用DINOv2自监督学习方法，在LVD-142M数据集上预训练，拥有2210万参数，支持处理518x518尺寸的图像。模型可应用于图像分类和特征提取任务，并提供了相关的使用示例代码。作为一个无监督学习的视觉模型，它能够提取稳健的图像特征表示。

owlvit-large-patch14 - 基于Vision Transformer的零样本目标检测模型

GithubHuggingfaceOWL-ViT多模态模型开源项目模型物体检测视觉变换器零样本学习

OWL-ViT模型采用CLIP和Vision Transformer架构，实现了零样本文本条件目标检测。它可以根据文本查询识别图像中的物体，无需预先定义类别。该模型在大规模图像-文本数据集上进行训练，并在COCO和OpenImages等数据集上微调。OWL-ViT为计算机视觉研究提供了新的可能性，尤其在零样本目标检测领域。

vit_base_r50_s16_384.orig_in21k_ft_in1k - ResNet-Vision Transformer混合模型用于高精度图像分类

GithubHuggingfaceImageNetResNetVision Transformertimm图像分类开源项目模型

本模型结合ResNet与Vision Transformer优势，在大规模ImageNet-21k数据集上预训练，并在ImageNet-1k上微调，实现高效准确的图像分类。具备9900万参数，支持384x384像素输入，可用于分类任务和特征提取。研究人员可通过timm库轻松应用此模型，进行推理或深入研究。

DFN5B-CLIP-ViT-H-14 - 高性能图像-文本对比学习模型

CLIPDFN-5BGithubHuggingface图像分类开源项目模型深度学习计算机视觉

DFN5B-CLIP-ViT-H-14是一个基于CLIP架构的图像-文本对比学习模型，通过DFN技术从430亿图像-文本对中筛选出50亿高质量样本进行训练。模型在39个图像分类基准测试中表现优异，平均准确率达69.8%。支持零样本图像分类和跨模态检索，可与OpenCLIP无缝集成。这一模型为计算机视觉和自然语言处理领域提供了有力支持，适用于多种研究和应用场景。

DFN2B-CLIP-ViT-L-14 - 基于CLIP架构的大规模数据集训练图像识别模型

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN2B-CLIP-ViT-L-14是一个基于CLIP架构的图像识别模型，采用数据过滤网络从128亿图像-文本对中筛选20亿高质量样本进行训练。该模型在多个基准测试中平均准确率达66.86%，可用于零样本图像分类等任务。模型提供OpenCLIP接口，便于开发者使用。DFN2B-CLIP-ViT-L-14体现了大规模数据集和先进算法在计算机视觉领域的应用，为图像理解提供有力支持。

vit-base-patch16-224-in21k - 基于ImageNet-21k预训练的视觉Transformer模型

GithubHuggingfaceImageNet-21kVision Transformer图像识别开源项目模型深度学习预训练模型

这是一个基于Transformer架构的视觉模型，在包含1400万图像和21843个类别的ImageNet-21k数据集上预训练。模型将图像转换为16x16像素的固定大小patch序列，通过自注意力机制处理。它可用于图像分类等多种视觉任务，提供强大的特征提取能力。模型支持PyTorch和JAX/Flax框架，适用于需要高性能视觉理解的应用场景。

vit_small_patch16_224.dino - DINO训练的小型Vision Transformer图像特征模型

GithubHuggingfaceVision Transformertimm图像分类开源项目模型特征提取自监督学习

vit_small_patch16_224.dino是一个采用DINO自监督方法训练的小型Vision Transformer模型。该模型拥有2170万参数，支持224x224像素图像输入，可用于图像分类和特征提取。通过timm库可快速部署，在ImageNet-1k数据集预训练后，为多种计算机视觉任务提供高质量的特征表示。

chinese-clip-vit-base-patch16 - 中文数据驱动的多模态对比学习工具

Chinese-CLIPGithubHuggingface图像识别多模态检索开源项目模型深度学习零样本学习

项目通过ViT和RoBERTa实现了中文CLIP模型，支持图像和文本的嵌入计算及相似性分析，具备零样本学习和图文检索功能。该模型在多项基准测试中表现优秀，包括MUGE、Flickr30K-CN等。结合其官方API，用户可轻松实现多场景中的图文转换与识别。详细信息和实施教程可在GitHub获取。

ViT-L-14-CLIPA-datacomp1B - CLIPA-v2模型实现低成本高性能零样本图像分类

CLIPAGithubHuggingfaceOpenCLIP对比学习开源项目模型视觉语言模型零样本图像分类

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。

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com