CLIP

收录理由

CLIP 是对比式语言-图像预训练的代表性实现，它改变了视觉模型的构建与评估方式。传统模型依赖固定标签集，而 CLIP 学习一个共享嵌入空间，让图像与自然语言描述直接对齐，因此单个模型无需针对特定任务微调，就能回答“这些标签中哪个最匹配这张图”这类开放问题。如果你正在做零样本图像分类或语义图像检索，这个仓库提供的简洁 Python 接口和可直接加载的预训练权重（含 ViT 与 ResNet 变体）是很好的起点。项目还附带了零样本预测和线性探测评估的示例代码，方便你在自己的数据上先做基准测试，再决定是否投入更大的技术栈。即便后续你选择使用衍生模型，理解 CLIP 依然有价值，因为它是许多新视觉-语言模型对比的基线。