CLIP-convnext_base_w-laion_aesthetic-s13B-b82K

CLIP-convnext_base_w-laion_aesthetic-s13B-b82K

LAION-5B训练的ConvNeXt-Base CLIP模型

ConvNeXt-Base架构的CLIP模型在LAION-5B子集上完成训练,支持256x256和320x320两种图像分辨率。在ImageNet零样本分类评测中取得70.8%-71.7%的top-1准确率,样本效率超过同规模ViT-B/16模型。该模型主要用于研究领域,可执行零样本图像分类和图文检索等任务。

数据集ConvNext开源项目模型Github机器学习HuggingfaceCLIP图像分类

项目简介

CLIP-convnext_base_w-laion_aesthetic-s13B-b82K是一个基于ConvNeXt架构的CLIP模型系列。这个项目探索了一种新的替代方案,用于替代传统的ViT和ResNet架构,在模型规模和图像分辨率方面都表现出良好的扩展性。

技术特点

该模型系列具有以下显著特征:

  • 首次在大规模数据集上训练ConvNeXt CLIP模型,其规模可与CLIP ViT-B/16和RN50x4模型相媲美
  • 首次发布的模型权重探索了图像塔的增强和正则化技术,包括更大范围的随机裁剪、随机擦除和随机深度等

模型架构

模型采用了timm库中的ConvNeXt-Base作为图像编码器,文本编码器则采用与OpenAI CLIP RN50x4相同的架构(深度12,嵌入维度640)。基础模型在256x256分辨率下训练,在计算量和激活量上与RN50x4模型相当。

训练细节

  • 训练数据集:使用LAION-2B和LAION-Aesthetic数据集
  • 批量大小:81920
  • 训练样本:约13B个样本
  • 训练环境:在stability.ai集群和JUWELS超级计算机上进行

性能表现

  • 在ImageNet-1k零样本分类任务上达到70.8%-71.7%的top-1准确率
  • 相比ViT-B/16模型(34B样本训练达到70.2%)表现出更好的样本效率
  • 增强正则化版本(augreg)在更广泛的分辨率范围内表现良好

应用场景

  • 零样本图像分类
  • 图像和文本检索
  • 图像分类微调
  • 线性探测图像分类
  • 图像生成引导和条件控制

使用限制

  • 不建议在未经充分测试的情况下部署到实际应用中
  • 不适用于监视和人脸识别等场景
  • 仅支持英语相关的使用场景
  • 不建议直接用于工业产品的开发

重要说明

该模型主要面向研究社区,旨在帮助研究人员更好地理解和探索零样本图像分类。使用时需要注意数据集的未经筛选性质,建议仅用于研究目的。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
��咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多