模型详情
模型介绍
中文整理# TIPSv2 — g/14
模型概述
TIPSv2（Text-Image Pre-training with Spatial awareness）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。该模型为Giant变体，包含11亿视觉参数和3.89亿文本参数。
## 主要能力
- 产生与文本嵌入对齐的空间丰富图像特征
- 支持零样本分类
- 支持零样本分割
- 可视化空间特征
## 输入输出
- *图像输入**：张量形式，数值范围为[0,1]，使用ToTensor()转换即可，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。
运行要求
- *架构**：ViT视觉编码器（40层）+ Transformer文本编码器（12层）
- *图像预处理**：调整至任意分辨率，转换为[0,1]范围，无需ImageNet归一化
- *文本预处理**：SentencePiece分词器，小写处理，最多64个token
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、GPU推理。
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。
