/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
vit_base_patch14_dinov2.lvd142m
Опубликована
18 мар 2026

SteerViT

Эмбеддинги изображенийИзображение → embedding

SteerViT связывает текстовые запросы с изображениями и извлекает обусловленные запросом визуальные признаки и тепловые карты.

0скачиваний за 30 дней7лайковвеса обновлены10 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

SteerViT — модель визуальных представлений, разработанная авторами проекта SteerViT. Она принимает изображение и текстовый запрос, а лёгкий механизм gated cross-attention направляет признаки предварительно обученного Vision Transformer на запрос. Модель формирует глобальные эмбеддинги изображения, плотные признаки отдельных участков и тепловые карты, связанные с запросом; без текстового запроса выдаёт признаки, не зависящие от него.

В репозитории представлены варианты на основе DINOv2 Base и Small; метаданные также связывают модель с RoBERTa Large и двумя вариантами ViT. Среди применений — визуальное заземление текстовых запросов, извлечение признаков и локализация областей изображения. Карточка указывает Apache-2.0; README описывает коммерческие варианты, обученные на отфильтрованных данных Visual Genome, COCO и LVIS, а также отдельный исследовательский чекпойнт. Метаданные отмечают объединение базовых моделей.

Сценарии применения

  • извлечение признаков изображения по текстовому запросу
  • поиск и локализация объектов по текстовому описанию
  • создание тепловых карт релевантных областей изображения
  • получение глобальных эмбеддингов изображения с учётом запроса
  • получение плотных признаков патчей изображения

Ограничения

Для интерпретации текстовых запросов модель ориентирована на английский язык. README перечисляет коммерческие и исследовательский варианты чекпойнтов с разными условиями использования, поэтому лицензию конкретного файла следует сверять с его вариантом.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SteerViT: Steerable Visual Representations [ECCV'26 Oral]

Paper | Project Page | GitHub | Demo (HF Spaces)

SteerViT equips pretrained Vision Transformers with steerable visual representations. Given an image and a natural-language prompt, it conditions the visual encoder through lightweight gated cross-attention to produce:

  • prompt-aware global embeddings
  • prompt-aware dense patch features
  • prompt-conditioned heatmaps

This Hugging Face repository hosts the model checkpoints.

Installation

To use SteerViT, install the library directly from GitHub:

python -m pip install "git+https://github.com/JonaRuthardt/SteerViT.git"

Quick start

import torch
from PIL import Image
from steervit import SteerViT

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load the model (e.g., SteerDINOv2-Base)
model = SteerViT.from_pretrained("steervit_dinov2_base.pth", device=device)
transform = model.get_transforms()

image = Image.open("path/to/image.jpg").convert("RGB")
image_tensor = transform(image).unsqueeze(0)

prompt = ["the red car"]

global_features = model.get_global_features(image_tensor, texts=prompt) # pooled image embeddings
dense_features = model.get_dense_features(image_tensor, texts=prompt) # patch-level visual features
heatmaps = model.get_heatmaps(image_tensor, texts=prompt) # prompt-conditioned localization heatmaps
attention_heatmaps = model.get_attention_heatmaps(image_tensor, texts=prompt) # attention-based heatmaps

If texts=None, SteerViT behaves like the underlying frozen ViT backbone and returns query-agnostic features.

Available checkpoints

🔔 New commercially usable checkpoints: We now provide updated SteerViT checkpoints under Apache-2.0, which permits commercial use. These variants were adapted using only Visual Genome, COCO, and LVIS, with commercial-use image filtering applied. Thanks to improved synthetic annotations, these variants match or improve upon the original research-only checkpoints.

Checkpointfrom_pretrained(...) identifierNotesLicence
SteerDINOv2-Basesteervit_dinov2_base.pthPrimary model used for most experimentsresearch-only
SteerDINOv2-Small (commercial)steervit_dinov2_commercial_small.pthVariant trained on commercially-permissable datacommercial
SteerDINOv2-Base (commercial)steervit_dinov2_commercial_base.pthVariant trained on commercially-permissable datacommercial
SteerDINOv2-Large (commercial)steervit_dinov2_commercial_large.pthVariant trained on commercially-permissable datacommercial
SteerMAE-Basesteervit_mae_base.pthAlternative model based on MAE-backboneresearch-only
SteerSigLIP-Basesteervit_siglip_base.pthAlternative model based on SigLIP-backboneresearch-only
SteerSigLIP2-Basesteervit_siglip2_base.pthAlternative model based on SigLIP2-backboneresearch-only

Citation

@inproceedings{ruthardt2026steervit,
  title     = {Steerable Visual Representations},
  author    = {Ruthardt, Jona and Gaur, Manu and Ramanan, Deva and Tapaswi, Makarand and Asano, Yuki M.},
  booktitle = {European Conference on Computer Vision (ECCV)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
1846972

0 моделей