LY Corporation の clip‑japanese‑base は、約 1 B の画像‑テキストペアで学習された日本語 CLIP モデルで、Eva02‑B トランスフォーマー画像エンコーダーと12層の BERT テキストエンコーダーを使用し、STAIR で R@1 0.30、Recruit で 0.89 の精度、ImageNet‑1K で 0.58 の精度を達成し、ゼロショット画像分類と検索をサポートしています。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
34,000
Hugging Face の Like 数
30
掲載日
2024年5月17日
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 21,000 |
| 2026年1月 | 18,000 |
| 2026年2月 | 20,000 |
| 2026年3月 | 23,000 |
| 2026年4月 | 19,000 |
| 2026年5月 | 26,000 |
| 2026年6月 | 24,000 |
| 2026年7月 | 26,000 |
| 2026年8月 | 25,000 |
| 2026年9月 | 27,000 |
| 2026年10月 | 29,000 |
| 2026年11月 | 34,000 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- clip-japanese-base-v2line-corporation2kJapanese CLIP モデル clip‑japanese‑base‑v2 は、約20億画像‑テキストペアと蒸留でアップグレードされ、Eva02‑B 画像エンコーダと12層 BERT テキストエンコーダをペアリングし、前モデルよりも高い ImageNet‑1k 精度(0.708)を達成します。
- japanese-clip-vit-b-32-roberta-baserecruit-jp1kLaion ViT‑B‑32 画像エンコーダと rinna/japanese‑roberta‑base を組み合わせた日本語 CLIP モデルで、LAION2B‑multi の日本語サブセットでトレーニングされ、CC‑BY‑4.0 ライセンスの下でゼロショット分類、検索、および特徴抽出に使用されます。
- sentence-bert-base-ja-mean-tokens-v2sonoisa53k日本語 Sentence‑BERT v2 は、cl‑tohoku/bert‑base‑japanese‑whole‑word‑masking を MultipleNegativesRankingLoss でファインチューニングし、v1 に比べて約1.5〜2 % の精度向上を実現。sonoisa/sentence‑bert‑base‑ja‑mean‑tokens‑v2 としてリリースされました。
- japanese-clip-vit-b-16rinna40krinna/japanese-clip‑vit‑b‑16 は、ViT‑B/16 をベースにした Apache‑2.0 ライセンスの日本語 CLIP モデルで、CC12M のキャプションを日本語に翻訳して訓練され、2022 年 5 月 12 日にリリースされました。
- transformers-ud-japanese-electra-base-ginza-510megagonlabs22kja_ginza_electra は、mC4 と UD_Japanese_BCCWJ r2.8(megagonlabs/transformers‑ud‑japanese‑electra‑base‑discrimininator をベースにしたもの)でファインチューニングされた日本語 ELECTRA モデルを提供する spaCy v3 の Python パッケージです。カスタム bunsetu‑phrase 検出機能を備え、MIT ライセンスで配布されています。
- sentence-bert-base-ja-mean-tokenssonoisa14k文埋め込みを生成するJapanese Sentence‑BERT (v1) モデルで、改良版v2が利用可能で、Hugging Face Transformers とカスタム SentenceBertJapanese クラスを使用したサンプル使用例があります。
研究分野が近いリソース
nlplottakapy0210237自然言語処理の可視化モジュールGitHub共通: 視覚データ・マルチモーダル
vimealgon-320227X11アプリケーションの入力方法としてVimを使用するGitHub共通: 視覚データ・マルチモーダル
shuwagoogle145入力方法のためにGNOMEオンスクリーンキーボードを拡張するGitHub共通: 視覚データ・マルチモーダル
Kamitefauu145日本語学習者のためのデスクトップ言語浸透コンパニオンGitHub共通: 視覚データ・マルチモーダル- manga-ocr-basekha-white299kManga OCR は、縦書きと横書きの日本語漫画テキスト(フリガナを含む)を、さまざまなフォントと低品質画像でも読み取る Vision Encoder-Decoder OCR ツールで、ソースコードは無料で入手可能です。共通: 視覚データ・マルチモーダル
manga-ocrkha-white2.8k日本語のマンガを中心に、光学文字認識についての説明。GitHub共通: 視覚データ・マルチモーダル