/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
10 июл 2026

MILE

Эмбеддинги изображенийИзображение → embedding

MILE извлекает объектные эмбеддинги изображений для поиска похожих объектов и категорий.

0скачиваний за 30 дней1лайквеса обновлены10 июл 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

MILE — модель извлечения признаков изображений, разработанная Amazon Science. Она формирует эмбеддинги на уровне объектов для поиска и сопоставления объектов и категорий. Модель обучена на наборах данных Amazon-Berkeley-Objects (ABO) и iNaturalist.

Основной сценарий применения — поиск объектов или категорий по визуальному сходству. Для переноса на другие области или задачи разработчики рекомендуют дообучение на подходящих данных. Модель опубликована в формате PyTorch по лицензии CC BY-NC 4.0, которая допускает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • поиск похожих товаров по изображению
  • поиск объектов по визуальному сходству
  • поиск категорий объектов на изображениях
  • извлечение объектных признаков для визуального поиска
  • сопоставление изображений товаров из каталога

Ограничения

Обучение проводилось на ABO и iNaturalist; для других предметных областей и задач может потребоваться дообучение на релевантных данных. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model training and evaluation

Instructions for how to train and evaluate a MILE model, as well as the necessary code are in the Amazon Science repository.

Intended use and limitations

These models have been trained on Amazon-Berkeley-Objects and iNaturalist and are intended to demonstrate the power of the object-level embeddings w.r.t. the object /category retrieval task. For other domains or tasks, it should be further fine-tuned on relevant data.

Citation

If you use this work, please cite:

@inproceedings{leotescu2024mile,
  title={Self-Supervised Incremental Learning of Object Representations from Arbitrary Image Sets},
  author={Leotescu, George and Popa, Alin-Ionut Popa and Grigore, Diana and Voinea, Daniel and Perona, Pietro},
  booktitle={Proceedings of WACV},
  year={2025}
}

License

This library is licensed under the CC BY NC License.

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
7926d8d

0 моделей