यह इमेजबाइंड नाम का एक विंडोज़ ऐप है जिसका नवीनतम संस्करण ImageBindsourcecode.tar.gz के रूप में डाउनलोड किया जा सकता है। इसे वर्कस्टेशन के लिए मुफ़्त होस्टिंग प्रदाता OnWorks पर ऑनलाइन चलाया जा सकता है।
इमेजबाइंड नामक इस ऐप को ऑनवर्क्स के साथ मुफ्त में डाउनलोड करें और ऑनलाइन चलाएं।
इस ऐप को चलाने के लिए इन निर्देशों का पालन करें:
- 1. इस एप्लिकेशन को अपने पीसी में डाउनलोड करें।
- 2. हमारे फ़ाइल प्रबंधक में https://www.onworks.net/myfiles.php?username=XXXXX उस उपयोगकर्ता नाम के साथ दर्ज करें जो आप चाहते हैं।
- 3. इस एप्लिकेशन को ऐसे फाइल मैनेजर में अपलोड करें।
- 4. इस वेबसाइट से कोई भी ओएस ऑनवर्क्स ऑनलाइन एमुलेटर शुरू करें, लेकिन बेहतर विंडोज ऑनलाइन एमुलेटर।
- 5. ऑनवर्क्स विंडोज ओएस से आपने अभी शुरुआत की है, हमारे फाइल मैनेजर को https://www.onworks.net/myfiles.php?username=XXXXX उस यूजरनेम के साथ जाएं जो आप चाहते हैं।
- 6. एप्लिकेशन डाउनलोड करें और इसे इंस्टॉल करें।
- 7. अपने Linux वितरण सॉफ़्टवेयर रिपॉजिटरी से वाइन डाउनलोड करें। एक बार इंस्टॉल हो जाने पर, आप ऐप को वाइन के साथ चलाने के लिए डबल-क्लिक कर सकते हैं। आप PlayOnLinux को भी आज़मा सकते हैं, जो वाइन पर एक फैंसी इंटरफ़ेस है जो आपको लोकप्रिय विंडोज़ प्रोग्राम और गेम इंस्टॉल करने में मदद करेगा।
वाइन लिनक्स पर विंडोज सॉफ्टवेयर चलाने का एक तरीका है, लेकिन विंडोज की आवश्यकता नहीं है। वाइन एक ओपन-सोर्स विंडोज संगतता परत है जो किसी भी लिनक्स डेस्कटॉप पर सीधे विंडोज प्रोग्राम चला सकती है। अनिवार्य रूप से, वाइन खरोंच से पर्याप्त विंडोज़ को फिर से लागू करने की कोशिश कर रहा है ताकि वह उन सभी विंडोज़ अनुप्रयोगों को वास्तव में विंडोज़ की आवश्यकता के बिना चला सके।
स्क्रीनशॉट:
इमेजबाइंड
विवरण:
इमेजबाइंड एक मल्टीमॉडल एम्बेडिंग फ्रेमवर्क है जो छह मोडैलिटीज़—इमेज, टेक्स्ट, ऑडियो, डेप्थ, थर्मल और IMU (इनर्शियल मोशन) डेटा—में एक साझा रिप्रेजेंटेशन स्पेस सीखता है, बिना हर मोडैलिटी कॉम्बिनेशन के लिए स्पष्ट जोड़ी प्रशिक्षण की आवश्यकता के। प्रत्येक जोड़ी को स्वतंत्र रूप से संरेखित करने के बजाय, इमेजबाइंड इमेज डेटा को केंद्रीय बाइंडिंग मोडैलिटी के रूप में उपयोग करता है, और अन्य सभी मोडैलिटीज़ को इसके साथ संरेखित करता है ताकि वे ज़ीरो-शॉट के साथ इंटरऑपरेट कर सकें। यह एक एकीकृत एम्बेडिंग स्पेस बनाता है जहाँ किसी भी मोडैलिटी के रिप्रेजेंटेशन की तुलना किसी अन्य मोडैलिटी से की जा सकती है या उसे पुनर्प्राप्त किया जा सकता है (जैसे, टेक्स्ट से ध्वनि का मिलान या इमेज से डेप्थ का मिलान)। मॉडल को बड़े पैमाने पर कंट्रास्टिव लर्निंग का उपयोग करके प्रशिक्षित किया जाता है, जिसमें प्राकृतिक इमेज, वीडियो, ऑडियो क्लिप और सेंसर डेटा से विविध डेटासेट का लाभ उठाया जाता है। एक बार प्रशिक्षित होने के बाद, यह बिना किसी अतिरिक्त फ़ाइन-ट्यूनिंग के क्रॉस-मोडल रिट्रीवल, ज़ीरो-शॉट क्लासिफिकेशन और मल्टीमॉडल कंपोज़िशन कर सकता है।
विशेषताएं
- छह मोडैलिटीज़ (छवि, पाठ, ऑडियो, गहराई, थर्मल, IMU) को संरेखित करने वाला एकीकृत एम्बेडिंग स्थान
- छवि-केंद्रित संरेखण क्रॉस-मोडल शून्य-शॉट तर्क को सक्षम करता है
- बड़े पैमाने पर विविध डेटासेट पर विपरीत बहुविध प्रशिक्षण
- विभिन्न तौर-तरीकों में शून्य-शॉट पुनर्प्राप्ति, वर्गीकरण और संरचना
- तीव्र प्रयोग के लिए पूर्व प्रशिक्षित चेकपॉइंट और अनुमान उपयोगिताएँ
- नए तौर-तरीकों को जोड़ने या कस्टम डेटा के अनुकूल बनाने के लिए विस्तार योग्य ढांचा
प्रोग्रामिंग भाषा
अजगर
श्रेणियाँ
यह एक ऐसा एप्लिकेशन है जिसे https://sourceforge.net/projects/imagebind.mirror/ से भी प्राप्त किया जा सकता है। इसे हमारे किसी भी निःशुल्क ऑपरेटिव सिस्टम से सबसे आसान तरीके से ऑनलाइन चलाने के लिए OnWorks में होस्ट किया गया है।