/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Базовая модель
clip-vit-base-patch32
Опубликована
29 авг 2026

clip-vit-base-patch32-coco-retrieval

Классификация изображений без дообученияИзображение, текст → label

Дообученная CLIP-модель для классификации изображений по текстовым меткам и сопоставления изображений с подписями.

14скачиваний за 30 дней0лайковвеса обновлены29 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

aaronwzl/clip-vit-base-patch32-coco-retrieval — дообученная версия CLIP ViT-B/32, основанная на openai/clip-vit-base-patch32. Модель сопоставляет изображения с текстовыми описаниями и предназначена для поиска соответствий между ними и классификации изображений по текстовым меткам без отдельного обучения на целевых классах.

Модель дообучали на парах изображение—подпись из sayakpaul/coco-30-val-2014 с помощью симметричной функции потерь InfoNCE; обучающие и оценочные примеры были разделены по индексам. В приведённой оценке на MSCOCO дообучение увеличило разницу сходства между правильными и отвлекающими подписями главным образом за счёт снижения сходства с отвлекающими вариантами. Репозиторий содержит веса в формате safetensors и доступен по лицензии MIT.

Сценарии применения

  • поиск подходящей подписи для изображения
  • поиск изображений по текстовому запросу
  • классификация изображений по заданным текстовым категориям
  • сопоставление изображений с описаниями из набора кандидатов

Ограничения

Оценка в README приведена только для MSCOCO; данных о качестве на других наборах и предметных областях нет. Модель предназначена для сопоставления изображений и текста, а не для генерации подписей или изображений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Training

base modelopenai/clip-vit-base-patch32
objectivesymmetric InfoNCE over (image, caption) pairs, using CLIP's learned temperature — the pre-training objective continued at a low learning rate
data sourcesayakpaul/coco-30-val-2014 (streaming split train)
training pairs4000
epochs2
optimiser steps126
batch size64
optimiserAdamW, lr 1e-05, weight decay 0.1
schedule10 % linear warmup, then linear decay to 0
gradient clippingglobal norm 1.0
seed42
devicecuda
wall-clock345 s
loss0.4031 → 0.0519

Evaluation-set leakage control

The retrieval evaluation uses specific stream indices of sayakpaul/coco-30-val-2014. The training script streams past those and takes only samples whose index is not in the evaluation set, and asserts the disjointness at run time rather than assuming it.

Train/eval index overlap = 0 (verified, 500 evaluation indices held out against 4000 training indices).

Both index lists are shipped in finetune_config.json, so the disjointness is checkable without rerunning anything.

Effect of fine-tuning

Mean cosine similarity on a held-out sample of evaluation pairs, ground-truth versus foil caption:

zero-shotfine-tunedmargin change
MSCOCOGT 0.3245 / foil 0.1490GT 0.3165 / foil 0.0976+0.0434

Fine-tuning widens the ground-truth-versus-foil margin mainly by pushing foil similarity down.

Usage

from transformers import CLIPModel, CLIPProcessor

model = CLIPModel.from_pretrained("aaronwzl/clip-vit-base-patch32-coco-retrieval")
proc  = CLIPProcessor.from_pretrained("aaronwzl/clip-vit-base-patch32-coco-retrieval")

Reproduction

python rebuttal/exp/retrieval/finetune_clip.py \
    --dataset coco --n-train 4000 --epochs 2 \
    --batch-size 64 --lr 1e-05 --seed 42

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
750a1cc

0 моделей