/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
moondream1 · dense
Опубликована
30 июл 2024

Moondream2-streaming

Генерация текстаТекст → текст5 профессий

Компактная визуально-языковая модель для ответов на вопросы по изображениям и распознавания содержимого документов, рассчитанная на запуск на периферийных устройствах.

327скачиваний за 30 дней0лайковвеса обновлены30 июл 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

Moondream2-streaming — компактная плотная визуально-языковая модель семейства Moondream, опубликованная ThomasSimonini. Она предназначена для эффективного запуска на периферийных устройствах и отвечает на текстовые вопросы по изображениям, в том числе помогает читать документы и считать объекты. В карточке приведены результаты на VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE; репозиторий содержит варианты safetensors и GGUF F16.

Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Для использования указан стек Transformers и einops. Версия модели обновляется, поэтому для воспроизводимости README рекомендует закреплять конкретный релиз. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • извлечение текста и сведений из документов на изображении
  • подсчёт объектов на изображении
  • описание и анализ визуальных сцен

Ограничения

Качество зависит от изображения и формулировки запроса; результаты тестов из README не гарантируют точность для конкретных данных. Для воспроизводимости следует закреплять версию модели, поскольку она обновляется.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

moondream2 is a small vision language model designed to run efficiently on edge devices. Check out the GitHub repository for details, or try it out on the Hugging Face Space!

Benchmarks

ReleaseVQAv2GQATextVQADocVQATallyQA(simple/full)POPE(rand/pop/adv)
2024-07-23 (latest)79.464.960.261.982.0 / 76.891.3 / 89.7 / 86.9
2024-05-2079.463.157.230.582.1 / 76.691.5 / 89.6 / 86.2
2024-05-0879.062.753.130.581.6 / 76.190.6 / 88.3 / 85.0
2024-04-0277.761.749.724.380.1 / 74.2-
2024-03-1376.860.646.422.279.6 / 73.3-
2024-03-0675.459.843.120.979.5 / 73.2-
2024-03-0474.258.536.4---

Usage

pip install transformers einops
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

model_id = "vikhyatk/moondream2"
revision = "2024-07-23"
model = AutoModelForCausalLM.from_pretrained(
    model_id, trust_remote_code=True, revision=revision
)
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)

image = Image.open('<IMAGE_PATH>')
enc_image = model.encode_image(image)
print(model.answer_question(enc_image, "Describe this image.", tokenizer))

The model is updated regularly, so we recommend pinning the model version to a specific release as shown above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Moondream
Ревизия весов
abff794

0 моделей