/ Модель

Характеристики

Лицензия
GPL 3.0
Библиотека
timm
Опубликована
13 июн 2026

mobilenetv4_conv_aa_large.dbv4-full

Классификация изображенийИзображение → label4 профессии

Многометочная MobileNetV4-модель присваивает аниме-изображениям теги, включая описательные, персонажные и рейтинговые.

15скачиваний за 30 дней0лайковвеса обновлены13 июн 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

Mooshie публикует многометочную модель классификации изображений на базе MobileNetV4 Conv AA Large, дообученную на датасете Danbooru WD Tagger V4. Она присваивает изображению теги из 12 476 категорий, включая общие описательные теги, персонажей и рейтинговые метки. Модель рассчитана на изображения размером 448 × 448 пикселей; число параметров — 47,3 млн. Доступны веса Safetensors и формат ONNX для инференса.

Модель предназначена для автоматической разметки аниме-иллюстраций и поиска изображений по тегам. В README приведены метрики на тестовой выборке: micro F1 0,641 при пороге 0,40 и macro F1 0,511 при индивидуальных порогах для тегов. Для разных категорий тегов указаны отдельные рекомендуемые пороги, а пороги отдельных тегов доступны в selected_tags.csv. Лицензия — GPL-3.0.

Сценарии применения

  • автоматическая разметка аниме-иллюстраций тегами
  • поиск аниме-изображений по содержимому и тегам
  • определение персонажей на изображениях
  • классификация рейтингового типа изображения
  • создание теговых метаданных для коллекции иллюстраций

Ограничения

Метрики на тестовой выборке зависят от порога: micro F1 составляет 0,641 при фиксированном пороге 0,40, а macro F1 — 0,511 при индивидуальных порогах тегов. Модель обучена на конкретном датасете тегов Danbooru, поэтому её результаты могут быть хуже на изображениях другого типа или с метками вне этого набора.

Для каких профессий подходит4

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

Anime Tagger mobilenetv4_conv_aa_large.dbv4-full

Model Details

  • Model Type: Multilabel Image classification / feature backbone
  • Model Stats:
    • Params: 47.3M
    • FLOPs / MACs: 19.2G / 9.6G
    • Image size: train = 448 x 448, test = 448 x 448
  • Dataset: animetimm/danbooru-wdtagger-v4-w640-ws-full
    • Tags Count: 12476
      • General (#0) Tags Count: 9225
      • Character (#4) Tags Count: 3247
      • Rating (#9) Tags Count: 4

Results

#Macro@0.40 (F1/MCC/P/R)Micro@0.40 (F1/MCC/P/R)Macro@Best (F1/P/R)
Validation0.457 / 0.473 / 0.586 / 0.4070.641 / 0.642 / 0.693 / 0.596---
Test0.458 / 0.473 / 0.586 / 0.4080.641 / 0.642 / 0.694 / 0.5960.511 / 0.537 / 0.513
  • Macro/Micro@0.40 means the metrics on the threshold 0.40.
  • Macro@Best means the mean metrics on the tag-level thresholds on each tags, which should have the best F1 scores.

Thresholds

CategoryNameAlphaThresholdMicro@Thr (F1/P/R)Macro@0.40 (F1/P/R)Macro@Best (F1/P/R)
0general10.330.631 / 0.639 / 0.6240.323 / 0.475 / 0.2720.388 / 0.404 / 0.405
4character10.420.873 / 0.921 / 0.8290.840 / 0.901 / 0.7930.860 / 0.913 / 0.819
9rating10.380.807 / 0.759 / 0.8620.813 / 0.788 / 0.8410.814 / 0.783 / 0.851
  • Micro@Thr means the metrics on the category-level suggested thresholds, which are listed in the table above.
  • Macro@0.40 means the metrics on the threshold 0.40.
  • Macro@Best means the metrics on the tag-level thresholds on each tags, which should have the best F1 scores.

For tag-level thresholds, you can find them in selected_tags.csv.

How to Use

We provided a sample image for our code samples, you can find it here.

Use TIMM And Torch

Install dghs-imgutils, timm and other necessary requirements with the following command

pip install 'dghs-imgutils>=0.17.0' torch huggingface_hub timm pillow pandas

After that you can load this model with timm library, and use it for train, validation and test, with the following code

import json

import pandas as pd
import torch
from huggingface_hub import hf_hub_download
from imgutils.data import load_image
from imgutils.preprocess import create_torchvision_transforms
from timm import create_model

repo_id = 'animetimm/mobilenetv4_conv_aa_large.dbv4-full'
model = create_model(f'hf-hub:{repo_id}', pretrained=True)
model.eval()

with open(hf_hub_download(repo_id=repo_id, repo_type='model', filename='preprocess.json'), 'r') as f:
    preprocessor = create_torchvision_transforms(json.load(f)['test'])
# Compose(
#     PadToSize(size=(512, 512), interpolation=bilinear, background_color=white)
#     Resize(size=448, interpolation=bicubic, max_size=None, antialias=True)
#     CenterCrop(size=[448, 448])
#     MaybeToTensor()
#     Normalize(mean=tensor([0.4850, 0.4560, 0.4060]), std=tensor([0.2290, 0.2240, 0.2250]))
# )

image = load_image('https://huggingface.co/animetimm/mobilenetv4_conv_aa_large.dbv4-full/resolve/main/sample.webp')
input_ = preprocessor(image).unsqueeze(0)
# input_, shape: torch.Size([1, 3, 448, 448]), dtype: torch.float32
with torch.no_grad():
    output = model(input_)
    prediction = torch.sigmoid(output)[0]
# output, shape: torch.Size([1, 12476]), dtype: torch.float32
# prediction, shape: torch.Size([12476]), dtype: torch.float32

df_tags = pd.read_csv(
    hf_hub_download(repo_id=repo_id, repo_type='model', filename='selected_tags.csv'),
    keep_default_na=False
)
tags = df_tags['name']
mask = prediction.numpy() >= df_tags['best_threshold']
print(dict(zip(tags[mask].tolist(), prediction[mask].tolist())))
# {'sensitive': 0.6181432604789734,
#  '1girl': 0.9969968795776367,
#  'solo': 0.9696205258369446,
#  'looking_at_viewer': 0.8432332873344421,
#  'blush': 0.7917149662971497,
#  'smile': 0.9405843615531921,
#  'short_hair': 0.6273495554924011,
#  'shirt': 0.5353975892066956,
#  'long_sleeves': 0.7138653993606567,
#  'brown_hair': 0.8164870738983154,
#  'holding': 0.6878705024719238,
#  'dress': 0.6111152172088623,
#  'closed_mouth': 0.5007601976394653,
#  'white_shirt': 0.34434816241264343,
#  'purple_eyes': 0.7064062356948853,
#  'flower': 0.9301103949546814,
#  'braid': 0.869755208492279,
#  'sidelocks': 0.23272593319416046,
#  'outdoors': 0.4784768223762512,
#  'hand_up': 0.17624469101428986,
#  'blunt_bangs': 0.3426509499549866,
#  'head_tilt': 0.11214721202850342,
#  'sunlight': 0.15041665732860565,
#  'plant': 0.22287964820861816,
#  'light_smile': 0.08559338748455048,
#  'blue_flower': 0.8238141536712646,
#  'backlighting': 0.17485418915748596,
#  'crown_braid': 0.6755908131599426}

Use ONNX Model For Inference

Install dghs-imgutils with the following command

pip install 'dghs-imgutils>=0.17.0'

Use multilabel_timm_predict function with the following code

from imgutils.generic import multilabel_timm_predict

general, character, rating = multilabel_timm_predict(
    'https://huggingface.co/animetimm/mobilenetv4_conv_aa_large.dbv4-full/resolve/main/sample.webp',
    repo_id='animetimm/mobilenetv4_conv_aa_large.dbv4-full',
    fmt=('general', 'character', 'rating'),
)

print(general)
# {'1girl': 0.9969969987869263,
#  'solo': 0.969620406627655,
#  'smile': 0.940584659576416,
#  'flower': 0.9301101565361023,
#  'braid': 0.8697538375854492,
#  'looking_at_viewer': 0.8432332277297974,
#  'blue_flower': 0.8238140344619751,
#  'brown_hair': 0.816490650177002,
#  'blush': 0.7917153835296631,
#  'long_sleeves': 0.7138651609420776,
#  'purple_eyes': 0.7064056396484375,
#  'holding': 0.6878722906112671,
#  'crown_braid': 0.6755940318107605,
#  'short_hair': 0.6273516416549683,
#  'dress': 0.6111209392547607,
#  'shirt': 0.5354008078575134,
#  'closed_mouth': 0.5007631182670593,
#  'outdoors': 0.47849011421203613,
#  'white_shirt': 0.34435153007507324,
#  'blunt_bangs': 0.34265023469924927,
#  'sidelocks': 0.2327292263507843,
#  'plant': 0.22287851572036743,
#  'hand_up': 0.17624491453170776,
#  'backlighting': 0.17485374212265015,
#  'sunlight': 0.15041813254356384,
#  'head_tilt': 0.11214578151702881,
#  'light_smile': 0.08559340238571167}
print(character)
# {}
print(rating)
# {'sensitive': 0.6181411743164062}

For further information, see documentation of function multilabel_timm_predict.

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-classification

Можно запустить

Подбираем GPU…

Ревизия весов
6603da1

0 моделей