/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
skyvlm · dense
Опубликована
3 окт 2026

SkyVLM

Описание изображенийИзображение → текст

SkyVLM — компактная модель для создания структурированных подписей к спутниковым изображениям.

37скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SkyVLM — компактная модель компьютерного зрения и языка для создания подписей к спутниковым изображениям. По карточке, её разработчик обучил модель с нуля; общий размер составляет 99,4 млн параметров. Архитектура включает ViT с 8 слоями и входом 224×224 пикселя, двухслойный MLP-проектор и языковую модель-декодер с 20 слоями. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

Модель предназначена для генерации структурированных подписей по шаблону, описывающих основной объект и его окружение на снимке. Обучение и оценка проводились на данных SkyScript, включая 200 тысяч пар изображение–подпись; языковая часть предварительно обучалась на FineWeb-Edu и подписях SkyScript. В отчёте карточки указаны метрики CIDEr-D 1,90 и точное совпадение основного объекта 21,3% на тестовом наборе SkyScript.

SkyVLM лучше подходит для шаблонного описания спутниковых снимков, чем для диалога или произвольных запросов: модель не отвечает на вопросы и не следует свободным промптам. Она может ошибаться в конкретизации объектов, ограничена деталями изображений низкого разрешения и не оценивалась на снимках за пределами SkyScript или в сценариях, критичных для безопасности.

Сценарии применения

  • создание шаблонных подписей к спутниковым снимкам
  • описание основного объекта на снимке и объектов вокруг него
  • автоматическая разметка коллекций спутниковых изображений
  • поиск изображений по сгенерированным подписям

Ограничения

Обучена на шаблонных подписях SkyScript, поэтому не предназначена для свободных промптов и ответов на вопросы; точность конкретизации объектов ограничена. Не оценивалась на данных за пределами SkyScript и для сценариев, критичных для безопасности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SkyVLM

A 99.4M-parameter vision-language model for satellite imagery, trained from scratch on a single 8 GB laptop GPU. It writes a structured caption such as a satellite image of <main object>, surrounded by <object>; <object>.

Code, training scripts, a Streamlit demo and full results: https://github.com/thorOdinson16/SkyVLM

Model

image ─► ViT (25.7M; masked-image-modeling pretrained, then CLIP-aligned)
          └─ 196 patch tokens ─► 2-layer MLP projector (1.05M) ─► LM (72.6M decoder) ─► caption
ComponentParameters
Vision encoder (ViT, 8 layers, 512 dim, 16×16 patches, 224 px)25.7M
MLP projector (512→1024→512)1.05M
Language model (20 layers, RoPE, RMSNorm, 16k vocabulary)72.6M
Total99.4M

The language model was pretrained on ~1B tokens (90% FineWeb-Edu, 10% SkyScript captions), the encoder on 200k unlabelled SkyScript images and then aligned to captions with a CLIP-style loss, and the whole model was fine-tuned on 200k SkyScript image-caption pairs (projector first, then everything).

Usage

This is a custom PyTorch architecture, not a transformers model. Download the repo and run:

pip install torch torchvision safetensors sentencepiece pandas pillow
python inference.py my_image1.jpg my_image2.png

or from Python:

from PIL import Image
from inference import load, caption

model, tok, cfg = load(".")                      # repo directory
print(caption(model, tok, cfg, [Image.open("my_image.jpg")])[0])

Images are resized to 224×224 and decoded greedily. The output follows the SkyScript caption template (OpenStreetMap-style tags).

Results

Official SkyScript test captions, all 30k images, greedy decoding:

ModelCIDEr-DBLEU-4ROUGE-LMain object exactSurrounding-object F1
SkyVLM (this model)1.900.4750.64321.3%0.386
Same recipe without CLIP alignment1.750.4640.63219.6%0.372
Same recipe, random-init ViT (first 5k test images)0.690.3230.5305.9%0.264

Shuffled or blank images drop CIDEr-D to 0.09 / 0.04, so the model uses the image.

Image-text retrieval on 1,000 test pairs, ranking captions by log p(caption | image) (image→text uses a PMI correction):

ModelImage→text R@1Text→image R@1
SkyVLM36.534.7
SkyCLIP ViT-B/32 (external reference)8.66.8

SkyCLIP is a general remote-sensing model while SkyVLM is a specialist trained on these templated captions, so this is a reference point rather than a claim of a better model.

Vision encoder

RESISC45 linear probe (45 scene classes, 6,300 test images, frozen features; no RESISC45 data seen in training):

EncoderTest accuracyMacro-F1
Random ViT (untrained)43.5%0.425
MIM-pretrained (100 epochs, 200k unlabelled images)78.6%0.785
MIM + CLIP alignment (this model's encoder)88.4%0.885
ImageNet ViT-S/16 (supervised, ~14M labelled images)88.5%0.885

Language model

FineWeb-Edu validation perplexity 21.7 (72.6M parameters, 983M training tokens). SkyScript caption validation loss bottomed at 0.76 and ended at 0.94 as the model began to memorize the captions (10% of each batch, ~18 passes).

Sanity checks

Main-object category (building, road, railway, ...) is right 61.5% of the time versus 21% for always guessing the most common one (measured on the variant without CLIP alignment); all outputs follow the caption template.

Single training run per condition; no variance estimates.

Limitations

  • Trained only on SkyScript's templated, OpenStreetMap-derived captions: it will not follow free-form prompts or answer questions.
  • Typical errors are the right category with the wrong specifics (an apartment block described as an office). Exact main-object match is 21%, and references have several valid descriptions per image, so n-gram and exact-match scores understate quality.
  • Images are ~200 px at 224×224 input; fine detail is limited.
  • Not evaluated outside SkyScript imagery, on other regions' sensors, or for any safety-critical use.

Data and license

Apache-2.0. Trained on SkyScript (MIT), which pairs Google Earth Engine imagery with OpenStreetMap-derived captions. OpenStreetMap data is © OpenStreetMap contributors (ODbL); imagery remains subject to its providers' terms. FineWeb-Edu (ODC-By) was used for language-model pretraining.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура skyvlm неизвестна transformers в образе рантайма.

Ревизия весов
330afbe

0 моделей