/ Модель

Характеристики

Контекст
77 токенов
Лицензия
Apache 2.0
Опубликована
6 июн 2025

cls-opt-vit-b-32

Классификация изображений без дообученияИзображение, текст → label6 профессий

Контрастивная CLIP-модель DatologyAI на ViT-B/32 для классификации изображений по текстовым описаниям и извлечения визуальных признаков.

46скачиваний за 30 дней9лайковвеса обновлены9 июн 2025

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

DatologyAI CLIP Classification Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на стандартной архитектуре CLIP без изменений в архитектуре и процедуре обучения. Модель использует визуальный энкодер ViT-B/32 с 86 млн параметров и текстовый трансформер из 12 слоёв; размер изображения — 224×224 пикселя, размер эмбеддинга — 512, контекст текстового энкодера — 77 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения признаков изображений и использования в качестве визуального энкодера для VLM. Для обучения использовали курируемые DatologyAI данные DataComp-XL: README сообщает о 13 млрд пар «изображение—текст». В карточке заявлены точность 76,91% на ImageNet1k и улучшенная эффективность обучения; это результаты авторов, а не независимая оценка. Модель выпущена в форматах PyTorch и safetensors под лицензией Apache 2.0.

Сценарии применения

  • классификация изображений по текстовым категориям без дообучения
  • поиск изображений по текстовым запросам через сравнение эмбеддингов
  • извлечение визуальных признаков для других моделей
  • использование визуального энкодера в мультимодальной модели

Ограничения

Качество зависит от формулировок текстовых категорий и охвата обучающих данных; модель предназначена для изображений размером 224×224 пикселя. Заявленные в карточке бенчмарк-результаты приведены авторами модели.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DatologyAI CLIP Classification Optimized ViT-B/32

DatologyAI CLIP is a state-of-the-art contrastive vision-language model that achieves superior performance through advanced data curation alone, without any architectural or training modifications. This classification-optimized ViT-B/32 model outperforms SigLIP2, MetaCLIP, and DFN on zero-shot classification benchmarks.

Model Description

DatologyAI's CLIP model demonstrates that careful data curation can drive state-of-the-art performance without modifications to model architecture or training paradigms. Key achievements include:

  • 76.91% ImageNet1k accuracy (vs 74.0% for SigLIP2)
  • 8x training efficiency compared to standard approaches
  • Trained on 13B curated image-text pairs from DataComp
  • Standard CLIP architecture and training procedure

Intended Uses

You can use this model for zero-shot image classification or as a vision encoder for VLMs and other vision tasks.

Zero-shot Image Classification

import torch
from PIL import Image
import open_clip

# Load model and preprocessing
model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:DatologyAI/cls-opt-vit-b-32')
tokenizer = open_clip.get_tokenizer('hf-hub:DatologyAI/cls-opt-vit-b-32')

# Load image
image = preprocess(Image.open("path/to/image.jpg")).unsqueeze(0)

# Define candidate labels
labels = ["a dog", "a cat", "a bird"]
text = tokenizer(labels)

# Run inference
with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    
    # Normalize features
    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)
    
    # Calculate similarity
    similarity = (100.0 * image_features @ text_features.T).softmax(dim=-1)
    
# Get predictions
values, indices = similarity[0].topk(3)
for value, index in zip(values, indices):
    print(f"{labels[index]}: {value.item():.2%}")

Image Encoding

import torch
from PIL import Image
import open_clip

# Load model
model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:DatologyAI/cls-opt-vit-b-32')
model.eval()

# Process image
image = preprocess(Image.open("path/to/image.jpg")).unsqueeze(0)

# Extract features
with torch.no_grad():
    image_features = model.encode_image(image)
    
print(f"Feature shape: {image_features.shape}")  # [1, 512]

Training Procedure

DatologyAI's training pipeline focuses on sophisticated data curation techniques including:

  1. Improved target distribution matching - Task-specific alignment of image features for classification
  2. Enhanced synthetic data generation - Optimized caption generation for classification tasks
  3. Predictive metrics for curation quality - Rapid iteration without full model training

The model uses standard CLIP training objectives with no architectural modifications.

Training Data

The model was trained on 13B image-text (multi-epoch) curated from the DataComp-XL dataset using DatologyAI's proprietary curation pipeline. The curation process selected high-quality, classification-relevant subsets from the 10B available pairs in DataComp-XL.

Evaluation Results

Zero-shot Classification Performance

BenchmarkDatologyAISigLIP2MetaCLIP
ImageNet1k76.91%74.0%67.7%
ImageNetv270.2%67.1%60.4%

Training Efficiency

  • Matches SigLIP2 performance with only 5B samples (87.5% compute reduction)
  • Matches MetaCLIP performance with only 1B samples (92% compute reduction)

Full details see blog post.

Model Details

  • Developed by: DatologyAI
  • Model type: CLIP (Contrastive Language-Image Pre-training)
  • Architecture: Vision Transformer B/32
  • License: Apache 2.0
  • Training framework: OpenCLIP 2.24.0

Technical Specifications

Model Architecture

  • Vision Encoder: ViT-B/32 (86M parameters)
    • Patch size: 32×32
    • Image size: 224×224
    • Embedding dimension: 512
  • Text Encoder: 12-layer Transformer
    • Context length: 77 tokens
    • Vocabulary size: 49,408 (BPE tokenizer)

Training Configuration

  • Optimizer: AdamW (β1=0.9, β2=0.98, ε=1e-6)
  • Learning rate: 5.0e-04 with cosine schedule
  • Weight decay: 0.1
  • Batch size: 32,768
  • Training samples: 13B image-text pairs
  • Hardware: Distributed training on H100 GPUs

Citation

If you use this model, please cite:

@article{datologyai2025clip,
  title={CLIP Gets a Data Upgrade: Outperforming SoTA with Improved Data Curation Only},
  author={DatologyAI Team},
  journal={DatologyAI Blog},
  year={2025},
  url={https://datologyai.com/blog/clip-data-upgrade}
}

Additional Information

For more details on our data curation methodology and comprehensive benchmark results, please visit our blog post.

Contact: team@datologyai.com

Model Card Contact

DatologyAI Team - team@datologyai.com

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
b41ea7a

0 моделей