AIbase

C

Clip Vit Large Patch14

由 Xenova 开发
OpenAI 开源的 CLIP 模型，基于 Vision Transformer (ViT) 架构，支持图像和文本的联合理解。
文本生成图像
Transformers
#多模态理解#零样本分类#网页端部署
下载量 17.41k
发布时间 : 9/1/2023
模型介绍
内容详情
替代品

模型简介

CLIP (Contrastive Language-Image Pretraining) 是一个多模态模型，能够理解图像和文本之间的关系。它通过对比学习训练，可以用于图像分类、图像搜索、文本到图像检索等任务。

模型特点

多模态理解
能够同时处理和理解图像和文本信息，建立两者之间的关联。
零样本学习
无需特定任务的微调，即可执行新的视觉任务。
Web 兼容
ONNX 格式优化，支持在浏览器环境中运行。

模型能力

图像分类
图像-文本匹配
文本到图像检索
零样本图像识别

使用案例

内容检索
图像搜索
根据文本描述搜索相关图像。
文本搜索
根据图像内容搜索相关文本描述。
内容审核
违规内容检测
检测图像和文本是否包含违规内容。
辅助创作
图像标注
自动生成图像的文本描述。