siglip-so400m-patch14-384

概要

SigLIP (shape-optimized model) は、WebLiデータセットで384×384の解像度で事前学習された多モーダルモデルです。

従来のCLIPモデルと比較して、改良されたシグモイド損失関数を使用しており、バッチサイズのスケーリングに優れ、小規模なバッチサイズでも高い性能を発揮します。

このモデルはSoViT-400mアーキテクチャを採用しており、ゼロショット画像分類や画像-テキスト検索といったタスクに活用できます。

想定されるユーザーは、画像とテキストの関連性に基づいた高度なAIタスクに取り組む研究者や開発者です。

互換性・特徴

• Python
• Transformer
• ゼロショット学習
• 画像認識
• Hugging Face
• AI/MLモデル

基本情報

HuggingFace: https://huggingface.co/google/siglip-so400m-patch14-384