Clip embedding'lerini hesaplayın ve görseller ile metinler için ölçeklenebilir bir anlamsal arama sistemi kurun.
Kolayca clip embedding'leri hesaplayın ve verimli clip arama indeksleri oluşturun.
clip-retrieval, büyük görsel ve metin veri setleri için çok modlu embedding'ler hesaplamanıza ve anlamsal arama sistemleri kurmanıza olanak tanır. Yapay zeka kullanarak devasa görsel medya kütüphanelerini organize eden geliştiriciler ve teknik profesyoneller için uygundur.
Araç; python istemcileri, saniyede binlerce örneği işleyebilen çıkarım motorları, indeks oluşturucular ve web arayüzüne sahip bir Flask arka ucu sağlar. İndeksleri metin, görsel, embedding veya dosya dizini ile sorgulayabilir ve yeni veri setleri çıkarmak için img2dataset ile entegre edebilirsiniz.
Python, Jupyter notebook'lar ve komut satırı arayüzlerine aşina olan, büyük görsel koleksiyonlarında doğal dil kullanarak arama yapması gereken makine öğrenimi mühendisleri ve geliştiriciler için uygundur. Kutudan çıktığı gibi çalışan masaüstü video düzenleme uygulaması arayan teknik olmayan kullanıcılar için uygun değildir.
Tüketici sınıfı GPU'larda saniyede 1000'den fazla örnek hızında görsel ve metin embedding'lerini hızlıca hesaplayın.
Metin, görsel veya ham embedding'ler kullanarak python üzerinden uzak bir arka ucu sorgulayın.
Basit komutlarla veri seti indirme, embedding çıkarımı, indeks oluşturma, arka uç ve arayüzü çalıştırın.
Entegre estetik tahmin modelleri ve güvenlik modellerini kullanarak arama sonuçlarını filtreleyin ve ağırlıklandırın.
MIT lisansı altında ücretsizdir. README'de ücretli barındırılan bir seçenekten bahsedilmemektedir, bu nedenle tek maliyet donanımı ve sunucuları kendiniz çalıştırmaktır.
877 açık uzaktan yapay zeka eğitimi işi, 16 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$175 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
İncelenmiş bu AI araçları aynı işi anında yapar — puanlı dizinimizden.
Evet, istemci başlatma sırasında CLIP'in çok dilli sürümünü (mclip) kullanarak yapabilirsiniz.
İşleme hızları önemli ölçüde düşük olsa da, CPU üzerinde çalıştırmak için CUDA_VISIBLE_DEVICES= dışa aktarabilirsiniz.
Yerel dosyaları veya webdataset formatlarını kullanabilirsiniz.
Google'da önce Zekai'yi gör