/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
CC BY 4.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
8 мая 2025

RSCCM

Изображение и текст → текст

RSCCM — дообученная мультимодальная модель Qwen2.5-VL для текстового описания изменений на снимках дистанционного зондирования Земли.

132скачиваний за 30 дней1лайквеса обновлены16 фев 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

RSCCM — модель компьютерного зрения для создания описаний изменений на спутниковых и аэрофотоснимках. Она разработана авторами набора данных RSCC и статьи RSCC: A Large-Scale Remote Sensing Change Caption Dataset for Disaster Events. Модель получена полным дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе RSCC и имеет 7,1 млрд параметров; она использует архитектуру Qwen2.5-VL и предназначена для диалоговой работы с изображениями. Контекст составляет до 128 000 токенов.

Модель подходит для сравнения снимков одной территории, выявления последствий стихийных бедствий и составления текстовых описаний обнаруженных изменений. В карточке заявлен английский язык. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Для набора данных указана лицензия CC-BY-4.0; метаданные модели также указывают CC-BY-4.0. Описание качества и ограничений на конкретных типах снимков в карточке не приведено.

Сценарии применения

  • описание изменений между спутниковыми снимками одной территории
  • составление подписей к снимкам последствий стихийных бедствий
  • поиск и текстовое описание изменений объектов на аэрофотоснимках

Ограничения

Карточка не описывает качество модели на разных типах снимков и не приводит результаты оценки; специализация модели ограничена описанием изменений на данных дистанционного зондирования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RSCCM: Remote Sensing Change Captioning Model

This model (RSCCM) is presented in the paper RSCC: A Large-Scale Remote Sensing Change Caption Dataset for Disaster Events.

Overview

RSCCM is a supervised full-tuning version of Qwen2.5-VL-7B-Instruct that specializes for remote sensing change captioning, which is trained on RSCC dataset. The training details are shown in our paper.

Installation

Follow Qwen2.5-VL official huggingface repo (see here).

pip install transformers accelerate # the latest stable version already integrate Qwen2.5-VL 
pip install qwen-vl-utils[decord]==0.0.8

Inference

For more implement details, refer to Qwen-VL official GitHub repo (see here).

  1. Load model (the same as Qwen2.5-VL)
from transformers import (
    Qwen2_5_VLForConditionalGeneration,
    AutoProcessor
)
import torch
model_id = "BiliSakura/RSCCM" 
model_path = model_id  # download from huggingface.co automatically or you can specify as path/to/your/model/folder
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to("cuda")
processor = AutoProcessor.from_pretrained(model_path)
  1. Get image pairs
from PIL import Image
pre_img_path = "path/to/pre/event/image"
post_img_path = "path/to/post/event/image"
text_prompt ="""
Give change description between two satellite images.
Output answer in a news style with a few sentences using precise phrases separated by commas.
"""
pre_image = Image.open(pre_img_path)
post_image = Image.open(post_img_path)
  1. Inference
from qwen_vl_utils import process_vision_info
import torch
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": pre_image},
            {"type": "image", "image": post_image},
            {
                "type": "text",
                "text": text_prompt,
            },
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, _ = process_vision_info(messages)
inputs = processor(
    text=[text], images=image_inputs, padding=True, return_tensors="pt"
).to("cuda", torch.bfloat16)
# Generate captions for the input image pair
generated_ids = model.generate(
    **inputs,
    max_new_tokens=512,
    # temperature=TEMPERATURE
)
generated_ids_trimmed = [
    out_ids[len(in_ids) :]
    for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
captions = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)
change_caption = captions[0]

📜 Citation

If you find this repository helpful, feel free to cite our paper:

@misc{chen2025rscclargescaleremotesensing,
      title={RSCC: A Large-Scale Remote Sensing Change Caption Dataset for Disaster Events}, 
      author={Zhenyuan Chen and Chenxi Wang and Ningyu Zhang and Feng Zhang},
      year={2025},
      eprint={2509.01907},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2509.01907}, 
}
@article{qwen2.5vl, 
title={Qwen2.5-VL Technical Report}, 
url={http://arxiv.org/abs/2502.13923}, 
DOI={10.48550/arXiv.2502.13923}, 
author={Bai, Shuai and Chen, Keqin and Liu, Xuejing and Wang, Jialin and Ge, Wenbin and Song, Sibo and Dang, Kai and Wang, Peng and Wang, Shijie and Tang, Jun and Zhong, Humen and Zhu, Yuanzhi and Yang, Mingkun and Li, Zhaohai and Wan, Jianqiang and Wang, Pengfei and Ding, Wei and Fu, Zheren and Xu, Yiheng and Ye, Jiabo and Zhang, Xi and Xie, Tianbao and Cheng, Zesen and Zhang, Hang and Yang, Zhibo and Xu, Haiyang and Lin, Junyang}, 
year={2025}, 
month=feb 
}

Licensing Information

The dataset is released under the CC-BY-4.0, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

🙏 Acknowledgement

Our RSCC dataset is built based on xBD and EBD datasets.

We are thankful to Kimi-VL, BLIP-3, Phi-4-Multimodal, Qwen2-VL, Qwen2.5-VL, LLaVA-NeXT-Interleave,LLaVA-OneVision, InternVL 3, Pixtral, TEOChat and CCExpert for releasing their models and code as open-source contributions.

The metrics implements are derived from huggingface/evaluate.

The training implements are derived from QwenLM/Qwen2.5-VL.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
f6e0bf0

0 моделей