ConvNeXt-Large CLIP模型提升零样本图像分类性能
本模型基于LAION-2B数据集训练,采用320x320分辨率的ConvNeXt-Large架构和权重平均技术。在ImageNet-1k零样本分类任务上,准确率达到76.9%,超越了256x256分辨率版本。模型效率高于OpenAI的L/14-336,可应用于零样本图像分类、图文检索等任务。该项目为研究人员提供了强大的视觉-语言表征工具,助力探索大规模多模态模型。
这是一个基于CLIP(Contrastive Language-Image Pre-training)技术的图像分类模型项目。该模型采用了ConvNeXt-Large作为图像塔,并在LAION-2B数据集上进行了训练。它具有以下几个特点:
该模型使用了ConvNeXt-Large作为图像塔的backbone,这是一种高效的卷积神经网络架构。在图像塔的顶部,它使用了一个MLP(多层感知器)头,而不是传统CLIP模型中使用的单一投影层。文本塔的宽度与其他CLIP模型相同,但深度增加了4层,达到了16层,嵌入维度为768。
模型在LAION-2B数据集上训练,这是LAION-5B数据集的一个20亿样本的英语子集。LAION-5B是一个大规模的、未经筛选的互联网爬取图像-文本对数据集。
这个320x320分辨率的模型是3个微调模型的权重平均(模型汤)。每个微调模型都是从原始256x256训练运行的最终检查点开始,额外训练了约2-3B个样本,并使用了较低的学习率。
在ImageNet-1k数据集上,该模型达到了76.9%的零样本Top-1准确率。相比于OpenAI的L/14模型(336x336分辨率),这个模型在320x320分辨率下更加高效,GMAC减少了2.5倍,激活量减少了2.8倍,参数量减少了1.22倍。
这个模型可以用于零样本图像分类、图像和文本检索等任务。它也可以作为其他图像任务的基础模型进行微调,或用于图像生成的引导和条件控制。
虽然该模型具有强大的性能,但开发者建议主要将其用于研究目的。对于任何部署用例,特别是商业用例,都需要谨慎考虑。此外,由于模型仅在英语数据上训练和评估,因此建议仅用于英语相关的用例。
模型的评估使用了VTAB+数据集(VTAB加上额外的鲁棒性数据集)进行分类任务评估,以及COCO和Flickr数据集进行检索任务评估。
总的来说,CLIP-convnext_large_d_320.laion2B-s29B-b131K-ft-soup是一个强大的、多功能的视觉-语言模型,它在保持高效性的同时,在各种零样本任务上都表现出色。然而,使用者需要注意其潜在的局限性和ethical考虑。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于 电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
AI辅助编 程,代码自动修复
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小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号