라이온 / CLIP-ViT-B-32-laion2B-s34B-b79K
작업: 임베딩
형태: 멀티모달
유사성 측정법: 코사인
라이선스: Mit
차원: 512
최대 입력 토큰: 77
가격: 무료
CLIP-ViT-B-32-laion2B-s34B-b79K 개요
CLIP-ViT-B-32-laion2B-s34B-b79K**는 LAION에서 개발한 멀티모달 임베딩 모델입니다. 이 모델은 Laion-5B 데이터 세트의 영어 하위 집합을 사용하여 텍스트와 이미지 간의 관계를 이해하도록 학습되었습니다. 별도의 학습 없이 텍스트 설명을 기반으로 이미지를 분류할 수 있는 제로샷 이미지 분류, 유사한 이미지나 텍스트를 찾는 이미지-텍스트 검색, 의미적 의미에 따라 이미지 내 객체를 식별하고 분할하는 이미지 분할 등 다양한 컴퓨터 비전 및 검색 작업에 활용할 수 있습니다.
CLIP-ViT-B-32-laion2B-s34B-b79K를 사용하여 임베딩 생성하는 방법
OpenCLIP을 통해 임베딩에 CLIP-ViT-B-32-laion2B-s34B-b79K를 사용할 수 있습니다.
벡터 임베딩이 생성되면 밀버스에서 제공하는 완전 관리형 벡터 데이터베이스인 질리즈 클라우드와 같은 벡터 데이터베이스에 저장하여 이미지 검색 또는 멀티모달 검색에 사용할 수 있습니다.
다음은 네 가지 주요 단계입니다:
- 질리즈 클라우드 계정에 무료로 가입합니다.
- 서버리스 클러스터를 설정](https://docs.zilliz.com/docs/create-cluster#set-up-a-free-cluster)하고 퍼블릭 엔드포인트 및 API 키를 발급받습니다.
- 벡터 컬렉션을 생성하고 벡터 임베딩을 삽입합니다.
- 저장된 임베딩에 대해 시맨틱 검색을 실행합니다.
오픈클립을 통해 임베딩을 생성하고 질리츠 클라우드에 삽입하여 멀티모달 검색하기
단계별 가이드: 곧 제공 예정.
더 읽어보기
- 멀티모달 검색이 이미지 검색을 변화시키는 방법
- 데이터에 적합한 임베딩 모델 선택하기](https://zilliz.com/blog/choosing-the-right-embedding-model-for-your-data)
- 임베딩 모델 평가하기](https://zilliz.com/learn/evaluating-your-embedding-model)
- 나만의 텍스트 임베딩 모델 훈련하기](https://zilliz.com/learn/training-your-own-text-embedding-model)
- RAG 애플리케이션을 위한 웹사이트 청킹 및 임베딩 초보자 가이드
- RAG란 무엇인가요?
원활한 AI 워크플로
임베딩부터 확장 가능한 AI 검색까지—Zilliz Cloud를 사용하면 비교할 수 없는 속도와 효율성으로 임베딩을 저장, 인덱싱 및 검색할 수 있습니다.
Zilliz Cloud를 무료로 사용해 보세요
