/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
fc_clip · dense
Библиотека
transformers
Опубликована
27 июн 2026

fc-clip

Сегментация изображенийИзображение → mask3 профессии

FC-CLIP сегментирует объекты и фон на изображениях по заданным категориям, включая пользовательские классы в zero-shot режиме.

56скачиваний за 30 дней1лайквеса обновлены8 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

FC-CLIP — модель открытой паноптической сегментации изображений, созданная на основе работы авторов из ByteDance и размещённая в этом репозитории Claude для тестирования с FiftyOne Model Zoo. Она сочетает замороженный CLIP-бэкбон ConvNeXt-Large с лёгким декодером Mask2Former и предназначена для сегментации объектов и фона без отдельных специализированных моделей для этих категорий.

Модель поддерживает zero-shot сегментацию с открытым словарём: пользователь может задавать собственные классы для поиска на изображении. В архитектуру также входят пиксельный декодер с многоуровневым attention и FPN, а декодер Mask2Former использует 250 запросов. Репозиторий содержит чекпойнт для COCO Panoptic; заявлена совместимость с Transformers, а detectron2 не требуется.

Модель распространяется по лицензии Apache-2.0. Это чекпойнт для тестирования в FiftyOne Model Zoo; отдельные показатели качества и ограничения по разрешению изображений в карточке не приведены.

Сценарии применения

  • паноптическая сегментация изображений COCO
  • поиск и сегментация объектов по пользовательским классам
  • zero-shot сегментация объектов и фона
  • разметка пикселей изображения по категориям

Ограничения

Репозиторий предназначен для тестирования с FiftyOne Model Zoo и содержит чекпойнт для COCO Panoptic. В README не приведены отдельные количественные показатели качества или ограничения по размеру входных изображений.

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

FC-CLIP — Open-Vocabulary Panoptic Segmentation

FC-CLIP is an open-vocabulary panoptic segmentation model that pairs a frozen ConvNeXt-Large CLIP backbone with a lightweight Mask2Former decoder. It achieves strong zero-shot performance without requiring separate specialist models for things vs. stuff.

This repository hosts the COCO Panoptic checkpoint uploaded to HuggingFace Hub by Claude, for testing use with the FiftyOne Model Zoo.

Attribution

Paper: "A Simple Framework for Open-Vocabulary Segmentation and Detection"
Jiarui Xu, Shalini De Mello, Sifei Liu, Wonmin Byeon, Thomas Breuel, Jan Kautz, Xiaolong Wang.
CVPR 2023 · arxiv 2311.15539

Original code: bytedance/fc-clip — Apache 2.0 license

Usage

Standalone (trust_remote_code)

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("neerajaabhyankar/fc-clip", trust_remote_code=True)
model.eval()

# Preprocess: RGB uint8 numpy/PIL → normalised tensor
pixel_values = model.preprocess_image(your_pil_image)  # [1, 3, H, W]

with torch.no_grad():
    results = model(pixel_values)

panoptic_seg, segments_info = results[0]
# panoptic_seg: int32 tensor [H, W]  — pixel → segment id
# segments_info: list[{"id", "category_id", "isthing"}]

Open-vocabulary (custom classes)

results = model(pixel_values, class_names=["cat", "dog", "sky", "grass"])

Architecture

ComponentDetail
BackboneOpenCLIP ConvNeXt-Large (convnext_large_d_320, laion2b_s29b_b131k_ft_soup), frozen
Pixel decoder6-layer Multi-Scale Deformable Attention encoder + 1-level FPN
Transformer decoder5-layer Mask2Former cross-attention decoder, 250 queries
Text classificationVILD 14-template ensemble + geometric in-vocab/out-vocab blending
Classes133 COCO panoptic (80 things + 53 stuff)

Requirements

torch torchvision transformers open_clip_torch safetensors

No detectron2 required — the model is self-contained.

License

Apache 2.0 (same as original bytedance/fc-clip)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-segmentation

Нельзя запустить

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

Ревизия весов
be25e3e

0 моделей