/ Модель

Характеристики

Лицензия
CC BY-NC-ND 4.0
Библиотека
open_clip
Опубликована
10 авг 2026

MAGEN-O-MAKE

Классификация изображений без дообученияИзображение, текст → label3 профессии

MAGEN-O-MAKE — vision-language модель для исследовательской zero-shot классификации дерматологических изображений по заданным текстовым меткам.

96скачиваний за 30 дней3лайкавеса обновлены11 авг 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

MAGEN-O-MAKE (ViT-B/16) — разработанная Xieji Li vision-language модель для дерматологии. Она использует CLIP ViT-B/16 с 149,6 млн параметров, 512-мерными эмбеддингами изображений и текста и текстовым энкодером с контекстом 77 токенов. Модель предназначена для классификации изображений кожи без дообучения: она сопоставляет изображение с предложенными текстовыми метками, а результат зависит от формулировок запроса и набора кандидатов.

При предобучении MAGEN создает обогащенные знаниями описания изображений с помощью генерации и проверки на основе поиска, а O-MAKE разбивает клинические тексты на аспекты знаний и согласует их с глобальными и локальными признаками изображений, используя дерматологическую онтологию. В README приведены результаты zero-shot оценки на PAD-UFES-20, Fitzpatrick17K и SNU; точность на детализированных наборах со 100 и более классами заметно ниже клинически приемлемого уровня.

Модель предназначена для исследовательской оценки и не является медицинским изделием. Данные обучения собраны из веб-источников, поэтому охват оттенков кожи, регионов и заболеваний неравномерен; часть описаний сгенерирована моделью и проверена поиском, а не врачами, что может приводить к ошибкам разметки. Лицензия CC BY-NC-ND 4.0 разрешает некоммерческое использование при соблюдении её условий.

Сценарии применения

  • сравнение изображения кожи с кандидатными дерматологическими диагнозами в исследовательском эксперименте
  • оценка zero-shot классификации на наборах изображений кожных заболеваний
  • анализ влияния формулировок меток на классификацию дерматологических изображений

Ограничения

Модель не предназначена для диагностики, триажа или клинических решений; результаты на детализированных наборах недостаточно надежны для клинического применения. Покрытие оттенков кожи, регионов и заболеваний неравномерно, а предсказания зависят от текста запросов и списка меток.

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

MAGEN-O-MAKE (ViT-B/16)

Vision-language model for dermatology, pretrained with MAGEN (Multi-Agent data GENeration) and O-MAKE (Ontology-based Multi-Aspect Knowledge-Enhanced pretraining).

MAGEN synthesizes knowledge-enriched image descriptions through a foundation-model-assisted captioning and retrieval-based verification pipeline. O-MAKE decomposes those long clinical texts into distinct knowledge aspects and aligns them with image features at both the global and patch level, guided by a dermatological ontology.

Model details

ArchitectureCLIP ViT-B/16, 512-d embedding, 77-token text encoder
Parameters149.6 M
InitializationOpenAI CLIP ViT-B/16
Pretraining dataDerm1M-AgentAug — ~400K dermatological image–text pairs augmented by MAGEN
Schedule15 epochs, batch size 2048, lr 1e-4, AdamW (wd 0.1), 1500 warmup steps
Image preprocessingresize 224 (bicubic) → center crop 224 → OpenAI CLIP normalization

Usage

import torch
from PIL import Image
import open_clip

model, preprocess = open_clip.create_model_from_pretrained('hf-hub:Xieji-Li/MAGEN-O-MAKE')
tokenizer = open_clip.get_tokenizer('hf-hub:Xieji-Li/MAGEN-O-MAKE')
model.eval()

# The six PAD-UFES-20 classes.
labels = ['nevus', 'basal cell carcinoma', 'actinic keratosis',
          'seborrheic keratosis', 'squamous cell carcinoma', 'melanoma']

# A biopsy-confirmed melanoma from the PAD-UFES-20 test split.
image = preprocess(Image.open('PAT_611_1158_156.png').convert('RGB')).unsqueeze(0)
text = tokenizer([f'This is a skin image of {c}' for c in labels])

with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)
    probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)[0]

for label, p in sorted(zip(labels, probs.tolist()), key=lambda kv: -kv[1]):
    print(f'{label:25s} {p:.4f}')
melanoma                  0.9227
seborrheic keratosis      0.0682
nevus                     0.0063
basal cell carcinoma      0.0011
actinic keratosis         0.0010
squamous cell carcinoma   0.0006

The image is from PAD-UFES-20; the code repository links a bundle of all downstream datasets. This single-template prompt is the simplest possible use; the benchmarks below ensemble 8 templates (OPENAI_SKIN_TEMPLATES in the code repository).

Zero-shot results

Measured with this checkpoint using the evaluation pipeline in the code repository (bash script/zeroshot_eval.sh), 8-template prompt ensemble:

BenchmarkClassesMetricScore
PAD-UFES-206AUROC / Accuracy0.9176 / 0.6675
Fitzpatrick17K113Top-1 / Top-50.3716 / 0.6620
SNU134Top-1 / Top-50.3898 / 0.7235
SD-128128Top-1 / Top-50.4595 / 0.7711
Daffodil5Top-10.8321
SD-tails (SD-198 \ SD-128)70Top-1 / Top-50.5565 / 0.8301
SNU-tails (<15 samples/class)85Top-1 / Top-50.4573 / 0.7882

The last two rows are long-tail splits: rare conditions the model never saw a label for during pretraining.

Files

FileDescription
open_clip_model.safetensorsWeights in open_clip format (recommended)
open_clip_pytorch_model.binSame weights, pickle format
open_clip_config.jsonModel and preprocessing configuration
O-MAKE_epoch_15.ptFull training checkpoint (weights + optimizer + scaler), for resuming pretraining or use with src/test.py --resume

Intended use and limitations

This model is a research artifact, released for non-commercial research use only (CC BY-NC-ND 4.0). It is not a medical device and must not be used for diagnosis, triage, or any other clinical decision-making.

Known limitations:

  • Trained on web-sourced dermatological images; skin-tone, geographic, and condition coverage is uneven, and performance varies accordingly across subgroups.
  • Zero-shot accuracy on fine-grained benchmarks with 100+ classes is well below clinical reliability.
  • Predictions depend on the prompt wording and on the candidate label set supplied by the caller.
  • Part of the pretraining captions are model-generated (MAGEN) and were verified by retrieval rather than by clinicians, so residual label noise is expected.

Citation

@article{li2025multi,
  title={Multi-Aspect Knowledge-Enhanced Medical Vision-Language Pretraining with Multi-Agent Data Generation},
  author={Li, Xieji and Yan, Siyuan and Liu, Yingsheng and Soyer, H Peter and Janda, Monika and Mar, Victoria and Ge, Zongyuan},
  journal={arXiv preprint arXiv:2512.03445},
  year={2025}
}

The MICCAI'25 conference version this extends:

@misc{yan2025makemultiaspectknowledgeenhancedvisionlanguage,
      title={MAKE: Multi-Aspect Knowledge-Enhanced Vision-Language Pretraining for Zero-shot Dermatological Assessment}, 
      author={Siyuan Yan and Xieji Li and Ming Hu and Yiwen Jiang and Zhen Yu and Zongyuan Ge},
      year={2025},
      eprint={2505.09372},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2505.09372}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
99cbebc

0 моделей