AIbase

V

Vit Base Patch16 Clip 224.dfn2b

由 timm 开发
基于CLIP架构的视觉Transformer模型，由苹果公司发布的DFN2B-CLIP图像编码器权重
图像分类
Transformers
开源协议:其他#CLIP视觉编码#零样本图像分类#多模态预训练
下载量 444
发布时间 : 12/26/2024
模型介绍
内容详情
替代品

模型简介

该模型是基于CLIP架构的视觉Transformer（ViT）模型，专门用于图像特征提取。它采用了patch16的输入处理方式，输入分辨率为224x224像素。

模型特点

CLIP架构
采用对比语言-图像预训练(CLIP)架构，具有强大的图像表示能力
ViT-B/16基础
基于Vision Transformer基础架构，使用16x16的patch大小
高效特征提取
专为图像特征提取优化，适合作为视觉任务的骨干网络

模型能力

图像特征提取
视觉表示学习

使用案例

计算机视觉
图像分类
可作为图像分类任务的特征提取器
图像检索
用于提取图像特征以支持相似图像检索
多模态学习
视觉-语言任务
可作为视觉-语言模型的视觉编码器组件