/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Библиотека
open_clip
Опубликована
12 фев 2025

rcme-tol-vit-base-patch16

Классификация изображений без дообученияИзображение, текст → label3 профессии

Vision-language-модель RCME на базе ViT для zero-shot классификации изображений и иерархического поиска видов живых организмов.

90скачиваний за 30 дней0лайковвеса обновлены1 июл 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

rcme-tol-vit-base-patch16 — модель MVRL, представленная в работе Global and Local Entailment Learning for Natural World Imagery. Это vision-language-модель на основе ViT с патчами 16×16, использующая радиальные кросс-модальные эмбеддинги (RCME) для явного представления транзитивных отношений и иерархии понятий. Модель предназначена для классификации видов по изображениям и поиска по иерархии живых организмов; метаданные Hugging Face указывают задачу zero-shot image classification. В опубликованных экспериментах авторы сообщают об улучшении результатов на иерархической классификации видов и поиске по сравнению с существующими моделями.

Модель принимает изображения и текстовые описания классов, а для сравнения и классификации использует совместное vision-language-представление. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки.

Сценарии применения

  • zero-shot классификация видов растений и животных по изображению
  • поиск изображений живых организмов по текстовому описанию
  • иерархическая классификация видов по таксономическим категориям

Ограничения

Карточка описывает эксперименты на иерархической классификации видов и поиске; качество для других областей и наборов изображений не подтверждено. Поддерживаемые естественные языки и длина контекста не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for rcme-tol-vit-base-patch16

This model was presented in the paper Global and Local Entailment Learning for Natural World Imagery.

Abstract

Learning the hierarchical structure of data in vision-language models is a significant challenge. Previous works have attempted to address this challenge by employing entailment learning. However, these approaches fail to model the transitive nature of entailment explicitly, which establishes the relationship between order and semantics within a representation space. In this work, we introduce Radial Cross-Modal Embeddings (RCME), a framework that enables the explicit modeling of transitivity-enforced entailment. Our proposed framework optimizes for the partial order of concepts within vision-language models. By leveraging our framework, we develop a hierarchical vision-language foundation model capable of representing the hierarchy in the Tree of Life. Our experiments on hierarchical species classification and hierarchical retrieval tasks demonstrate the enhanced performance of our models compared to the existing state-of-the-art models. Our code and models are open-sourced at this https URL .

Project Page

Find more information and visualizations on the project page.

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
74de76b

0 моделей