/ Модель

Характеристики

Контекст
77 токенов
Лицензия
Apache 2.0
Опубликована
6 июн 2025

retr-opt-vit-b-32

Классификация изображений без дообученияИзображение, текст → label9 профессий

Контрастивная модель DatologyAI на базе CLIP ViT-B/32 для поиска изображений по тексту, текстов по изображениям и классификации изображений по текстовым меткам.

1 142скачиваний за 30 дней9лайковвеса обновлены10 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 Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах.

Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных.

Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

Сценарии применения

  • поиск изображений по текстовому описанию
  • подбор текстовых описаний к изображениям
  • поиск дубликатов и похожих изображений по смыслу
  • классификация изображений по текстовым меткам без дообучения
  • ранжирование изображений по соответствию запросу

Ограничения

Результаты зависят от соответствия запросов и изображений данным обучения; показатели из README приведены только для MSCOCO и Flickr30K. Текстовый энкодер ограничен контекстом 77 токенов, а визуальный энкодер рассчитан на изображения размером 224×224.

Для каких профессий подходит9

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 Retrieval Optimized ViT-B/32

DatologyAI CLIP Retrieval is a state-of-the-art contrastive vision-language model optimized for image-text retrieval tasks through advanced data curation. This retrieval-optimized ViT-B/32 model achieves competitive performance with SigLIP2 while requiring significantly less compute.

Model Description

DatologyAI's retrieval-optimized CLIP model demonstrates superior performance on retrieval benchmarks through targeted data curation strategies:

  • State-of-the-art MSCOCO performance for ViT-B/32 models
  • 2x training efficiency compared to SigLIP2
  • Optimized for text-based distribution alignment
  • Standard CLIP architecture with retrieval-focused data curation

Intended Uses

This model is optimized for image-text retrieval tasks, cross-modal search, and multimodal understanding applications.

Image-to-Text Retrieval

import torch
from PIL import Image
import open_clip

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

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

# Define text candidates
texts = [
    "a photo of a cat",
    "a dog playing in the park",
    "a beautiful sunset over the ocean",
    "people walking in a city"
]
text_tokens = tokenizer(texts)

# Compute similarities
with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text_tokens)
    
    # 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)
    
# Get top matches
values, indices = similarity[0].topk(len(texts))
for idx, score in zip(indices, values):
    print(f"{texts[idx]}: {score.item():.2f}")

Text-to-Image Retrieval

import torch
import open_clip
from typing import List

def retrieve_images(query: str, image_features: torch.Tensor, top_k: int = 5):
    """
    Retrieve top-k images for a text query
    
    Args:
        query: Text description to search for
        image_features: Pre-computed normalized image features [N, 512]
        top_k: Number of images to retrieve
    """
    # Encode text query
    text_tokens = tokenizer([query])
    with torch.no_grad():
        text_features = model.encode_text(text_tokens)
        text_features /= text_features.norm(dim=-1, keepdim=True)
    
    # Compute similarities
    similarities = (100.0 * text_features @ image_features.T).squeeze()
    
    # Get top-k matches
    values, indices = similarities.topk(top_k)
    return indices.tolist(), values.tolist()

# Example usage
model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:DatologyAI/retr-opt-vit-b-32')
tokenizer = open_clip.get_tokenizer('hf-hub:DatologyAI/retr-opt-vit-b-32')

# Pre-compute image features for your dataset
# image_features = ... # Shape: [num_images, 512]

# Search for images
indices, scores = retrieve_images("a red sports car", image_features)

Training Procedure

DatologyAI's retrieval-optimized pipeline employs specialized curation techniques:

  1. Text-aligned distribution matching - Prioritizes alignment along text representations for retrieval tasks
  2. Retrieval-specific synthetic data - Optimized caption generation for cross-modal understanding
  3. Balanced multimodal representation - Ensures strong performance in both directions

The model uses standard CLIP contrastive objectives without architectural modifications.

Training Data

The model was trained on image-text pairs curated from the DataComp-XL dataset using DatologyAI's retrieval-optimized curation pipeline, selecting high-quality pairs that enhance cross-modal alignment.

Evaluation Results

Retrieval Performance

BenchmarkMetricDatologyAISigLIP2MetaCLIP
MSCOCORetrieval@155.53%55.45%46.6%
Flickr30KRetrieval@179.7%82.4%72.9%

Training Efficiency

  • Matches SigLIP2 MSCOCO performance with 50% fewer samples (20B vs 40B)
  • Exceeds MetaCLIP by >5% absolute on both benchmarks

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
  • Optimization focus: Image-text retrieval

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: 1e-3 with cosine schedule
  • Weight decay: 0.1
  • Batch size: 32,768
  • Training approach: Retrieval-optimized data curation
  • Hardware: Distributed training on H100 GPUs

Usage Tips

  1. Feature Caching: For large-scale retrieval, pre-compute and cache image features
  2. Batch Processing: Process multiple queries simultaneously for efficiency
  3. Normalization: Always normalize features before computing similarities
  4. Temperature Scaling: Adjust similarity temperature for different use cases

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
b34e7fc

0 моделей