/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
libreyolo
Опубликована
9 авг 2026

LibrePEt16-cls

Классификация изображений без дообученияИзображение, текст → label

LibrePEt16-cls — преобразованный визуально-языковой энкодер PE-Core-T/16-384 для zero-shot-классификации изображений и получения эмбеддингов изображений, текста и видео.

0скачиваний за 30 дней0лайковвеса обновлены9 авг 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

LibrePEt16-cls — преобразованный для LibreYOLO чекпойнт PE-Core-T/16-384 от upstream-репозитория timm/PE-Core-T-16-384. Это двухбашенный визуально-языковой энкодер, который отображает изображения и текст в общее нормализованное пространство эмбеддингов и поддерживает классификацию изображений по текстовым подсказкам без отдельного обучения на заданных классах. Также заявлена работа с видео через эмбеддинги фиксированного набора кадров.

Модель принимает изображения с разрешением 384×384 и текстовые подсказки; в README указаны задачи zero-shot-классификации и извлечения эмбеддингов. Веса преобразованы в формат, совместимый с OpenCLIP; согласно карточке, обученные параметры не менялись, а результаты для эмбеддингов изображений и текста, zero-shot-логитов и эмбеддингов видео совпадают с исходной реализацией open_clip_torch 3.2.0 на float32 CPU. Репозиторий содержит формат PyTorch и использует лицензию Apache-2.0. README отмечает, что загрузка выполняется по каноническому имени файла и стандартный вызов from_pretrained не поддерживается.

Сценарии применения

  • классификация изображений по текстовым описаниям без дообучения
  • поиск изображений по текстовому запросу через эмбеддинги
  • сопоставление изображений и текстовых описаний
  • получение эмбеддингов кадров видео для сравнения с текстом

Ограничения

Для загрузки требуется каноническое имя файла: стандартный интерфейс from_pretrained не поддерживается. Заявленное соответствие исходной реализации проверено на float32 CPU; другие режимы README не характеризует.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LibrePEt16-cls

Perception Encoder (PE) Core PE-Core-T/16-384 packaged for LibreYOLO.

PE Core is a dual-tower vision-language encoder: it maps images, text, and whole videos into one normalized embedding space, and classifies zero-shot from text prompts.

from libreyolo import LibreYOLO

# zero-shot classification
model = LibreYOLO("LibrePEt16-cls.pt")
model.set_classes(["a forklift", "an empty aisle", "a spill"])
r = model.predict("warehouse.jpg")[0]
print(model.names[r.probs.top1], float(r.probs.top1conf))

# embeddings: image, text, and whole video in one space
embedder = LibreYOLO("LibrePEt16-cls.pt", task="embed")
embedder.predict("photo.jpg")      # (1, 512) image row
embedder.embed_text(["a dog"])     # (1, 512) text row
embedder.predict("clip.mp4")       # (1, 512) row for the whole clip

The bare canonical filename is the download trigger - there is no from_pretrained.

Specification

Family / sizepe / t16
Tasksclassify (zero-shot), embed
Input resolution384x384
Embedding dimension512
Text context length32
PreprocessingRGB, bilinear square resize, mean/std = (0.5, 0.5, 0.5)
Video poolingmean of independently encoded frames, L2-normalized once
Trainingnot supported (inference-only; train() raises)
ExportsONNX, TorchScript

Source

  • Upstream repository: timm/PE-Core-T-16-384
  • Upstream revision: 7fe539ed578ac49a1c2b4f946e4b0747704c825a
  • Upstream license: Apache-2.0

This is a converted OpenCLIP-compatible PE Core checkpoint, not an unmodified official facebook/PE-Core-* package checkpoint.

Modifications

State-dict metadata wrap only (weights/convert_pe_weights.py): LibreYOLO checkpoint metadata is added and tensors are moved to CPU. Learned parameters are unchanged.

Parity against unmodified open_clip_torch==3.2.0 on float32 CPU is exact (max_abs_diff == 0.0) for image embeddings, text embeddings, zero-shot logits, and fixed-frame video embeddings.

License

Apache-2.0, inherited from the upstream weights. See LICENSE and NOTICE in this repository. You are responsible for complying with those terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · libreyolo · zero-shot-image-classification

Нельзя запустить

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

Ревизия весов
09f0429

0 моделей