ViTamin-XL-384px — визуальный CLIP-энкодер для извлечения признаков изображений и использования в мультимодальных задачах компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск изображений по текстовому запросу · поиск текстов, соответствующих изображению