/ Модель

Характеристики

Параметры
7,9 млрд
Размер весов
11,8 ГБ
Лицензия
MIT
Архитектура
intern_vit_6b · dense
Опубликована
22 дек 2023

InternViT-6B-224px

Эмбеддинги изображений3 профессии

Визуальный backbone OpenGVLab на базе InternViT для извлечения признаков изображений и использования в визуально-языковых моделях.

203скачиваний за 30 дней24лайкавеса обновлены9 дек 2024

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

InternViT-6B-224px — разработанная OpenGVLab базовая визуальная модель и backbone для извлечения признаков изображений. Она предназначена для получения визуальных представлений, в том числе как компонент визуально-языковых моделей. Модель построена на архитектуре InternViT-6B: в README указано 5,9 млрд параметров и входное разрешение 224 × 224 пикселя; метаданные Hugging Face указывают 7,9 млрд параметров.

Для VLLM авторы рекомендуют использовать признаки с блока за четыре слоя до последнего. README приводит результаты линейного зондирования на нескольких вариантах ImageNet, включая 88,2% на IN-1K. Модель обучалась на наборах изображений и пар изображение–текст, включая LAION, COYO, Conceptual Captions и Wukong. Лицензия — MIT.

Сценарии применения

  • извлечение визуальных признаков для последующей классификации изображений
  • получение представлений изображений для визуально-языковой модели
  • использование визуального backbone в исследовательских экспериментах
  • линейное зондирование и оценка качества визуальных представлений

Ограничения

Модель принимает изображения размером 224 × 224 пикселя; при построении VLLM авторы рекомендуют брать признаки с четвертого блока с конца. README приводит оценку на наборах линейного зондирования, но не описывает ограничения на иных задачах.

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

InternViT-6B-224px

[📂 GitHub] [📜 InternVL 1.0] [📜 InternVL 1.5] [📜 Mini-InternVL] [📜 InternVL 2.5]

[🆕 Blog] [🗨️ Chat Demo] [🤗 HF Demo] [🚀 Quick Start] [📖 Documents]

Model Details

  • Model Type: vision foundation model, feature backbone
  • Model Stats:
    • Params (M): 5903
    • Image size: 224 x 224
  • Pretrain Dataset: LAION-en, LAION-COCO, COYO, CC12M, CC3M, SBU, Wukong, LAION-multi
  • Note: This model has 48 blocks, and we found that using the output after the fourth-to-last block worked best for VLLM. Therefore, when building a VLLM with this model, please use the features from the fourth-to-last layer.

Linear Probing Performance

See this document for more details about the linear probing evaluation.

IN-1KIN-ReaLIN-V2IN-AIN-RIN-Sketch
88.290.479.977.589.869.1

Model Usage (Image Embeddings)

import torch
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor

model = AutoModel.from_pretrained(
    'OpenGVLab/InternViT-6B-224px',
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True).cuda().eval()

image = Image.open('./examples/image1.jpg').convert('RGB')

image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternViT-6B-224px')

pixel_values = image_processor(images=image, return_tensors='pt').pixel_values
pixel_values = pixel_values.to(torch.bfloat16).cuda()

outputs = model(pixel_values)

Citation

If you find this project useful in your research, please consider citing:

@article{chen2024expanding,
  title={Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling},
  author={Chen, Zhe and Wang, Weiyun and Cao, Yue and Liu, Yangzhou and Gao, Zhangwei and Cui, Erfei and Zhu, Jinguo and Ye, Shenglong and Tian, Hao and Liu, Zhaoyang and others},
  journal={arXiv preprint arXiv:2412.05271},
  year={2024}
}
@article{gao2024mini,
  title={Mini-internvl: A flexible-transfer pocket multimodal model with 5\% parameters and 90\% performance},
  author={Gao, Zhangwei and Chen, Zhe and Cui, Erfei and Ren, Yiming and Wang, Weiyun and Zhu, Jinguo and Tian, Hao and Ye, Shenglong and He, Junjun and Zhu, Xizhou and others},
  journal={arXiv preprint arXiv:2410.16261},
  year={2024}
}
@article{chen2024far,
  title={How Far Are We to GPT-4V? Closing the Gap to Commercial Multimodal Models with Open-Source Suites},
  author={Chen, Zhe and Wang, Weiyun and Tian, Hao and Ye, Shenglong and Gao, Zhangwei and Cui, Erfei and Tong, Wenwen and Hu, Kongzhi and Luo, Jiapeng and Ma, Zheng and others},
  journal={arXiv preprint arXiv:2404.16821},
  year={2024}
}
@inproceedings{chen2024internvl,
  title={Internvl: Scaling up vision foundation models and aligning for generic visual-linguistic tasks},
  author={Chen, Zhe and Wu, Jiannan and Wang, Wenhai and Su, Weijie and Chen, Guo and Xing, Sen and Zhong, Muyan and Zhang, Qinglong and Zhu, Xizhou and Lu, Lewei and others},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={24185--24198},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Нельзя запустить

Код из репозитория вместе с pickle-весами (.bin) не запускается из соображений безопасности.

Класс архитектуры
InternVisionModel
Ревизия весов
084bfb6

0 моделей