懂AI
CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup

CLIP ConvNeXt-XXLarge模型在零样本图像分类上的卓越性能

CLIP ConvNeXt-XXLarge是基于LAION-2B数据集训练的大规模视觉-语言模型。它在ImageNet零样本分类任务中实现79.4%的准确率,成为首个非ViT架构突破79%的CLIP模型。该模型结合847M参数的ConvNeXt-XXLarge图像塔和ViT-H-14规模的文本塔,在计算效率和性能间达到平衡,为视觉-语言模型研究开辟新方向。

CLIP模型零样本图像分类计算机视觉GithubConvNeXt深度学习Huggingface开源项目
GitHubHugging Face论文文档

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup项目介绍

项目概述

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup是一个基于CLIP(Contrastive Language-Image Pre-training)框架的大规模视觉-语言模型。该项目由LAION团队开发，旨在推动卷积神经网络在CLIP任务中的性能极限，使其达到或超越ViT(Vision Transformer)模型的水平。

模型特点

  1. 使用ConvNeXt-XXLarge作为图像塔，是目前最大的已发布的预训练ConvNeXt模型，拥有8.47亿参数。

  2. 在256x256分辨率的图像输入下，模型在ImageNet数据集上实现了79.4%的零样本分类准确率，创造了非ViT图像塔CLIP模型的新纪录。

  3. 模型规模适中，在参数量和计算量上介于ViT-H和ViT-G之间，但激活量较低，有利于提高推理效率。

  4. 采用"模型汤"(Model Soup)技术，将多个训练阶段的模型权重进行平均，进一步提升了性能。

训练细节

  1. 训练数据：使用LAION-2B数据集，这是LAION-5B的一个20亿样本的英文子集。

  2. 训练过程：主要训练阶段使用81920的全局批量大小，历时约2个月，共处理了约340亿个样本。

  3. 训练困难：在训练过程中遇到了数值稳定性和集群稳定性的挑战，通过调整优化器参数和使用bfloat16精度等方法得以解决。

  4. 模型微调：在训练的最后10%阶段，使用更大的批量大小(95744)和更高的学习率进行了重新训练。

评估结果

  1. 在ImageNet-1k数据集上，模型实现了79.1%到79.4%的零样本top-1准确率。

  2. 在VTAB+等多个基准测试集上进行了广泛的评估，表现优异。

应用场景

  1. 零样本图像分类
  2. 图像和文本检索
  3. 图像分类任务的微调和线性探测
  4. 图像生成的引导和条件控制

局限性

  1. 模型仅在英语语境下训练和评估，不适用于其他语言。
  2. 不建议直接用于部署商业产品，需要进行更多的安全性和公平性评估。
  3. 不应用于监视和人脸识别等可能引发伦理问题的场景。

总的来说，CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup项目展示了卷积神经网络在大规模视觉-语言预训练任务中的巨大潜力，为研究人员提供了一个强大的工具来探索零样本学习和跨模态理解的前沿。

编辑推荐精选

Keevx

Keevx

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。

即梦AI

即梦AI

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

扣子-AI办公

扣子-AI办公

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！

TRAE编程

TRAE编程

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工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

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。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

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。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

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。

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。

下拉加载更多