模型详情
模型介绍
中文整理TIPSv2 — SO400m/14
模型用途
TIPSv2（具有空间感知的文本-图像预训练）是一个对比型视觉-语言模型家族，能够产生与文本嵌入对齐的空间丰富图像特征。
主要能力
生成空间丰富的图像特征与文本嵌入对齐，支持零样本分割、零样本分类等任务。
输入输出
图像输入：需转换为[0, 1]范围的张量（使用ToTensor，无需ImageNet归一化），可调整至任意分辨率。
文本输入：使用SentencePiece分词器，小写处理，最多支持64个token。
输出：图像和文本的嵌入向量，嵌入维度为1152。
运行要求
支持GPU推理。
基本用法
加载模型、编码图像、编码文本、零样本分类、可视化空间特征。
模型架构
ViT视觉编码器（27层）+ Transformer文本编码器（27层）。Patch大小为14x14像素。
参数规模
视觉参数：412M，文本参数：448M。
许可证
Apache 2.0
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。